用于双足机器人鲁棒参数化运动控制的强化学习

为双足机器人开发鲁棒行走控制器是一项具有挑战性的工作。传统的基于模型的运动控制器需要简化假设和细致建模；任何微小误差都可能导致控制失稳。为应对双足运动中的这些挑战，我们提出一个无模型强化学习框架，用于在仿真中训练鲁棒运动策略，随后可迁移至真实的双足 Cassie 机器人。为促进仿真到现实的迁移，采用域随机化以促使策略学习在系统动力学变化下仍保持鲁棒的行为。所学策略使 Cassie 能够执行一组多样且动态的behavior，同时也比使用残差控制的传统控制器和先前基于学习的方法更为鲁棒。我们在多种行走行为上展示了这一点，例如跟踪目标行走速度、行走高度和偏航转向。