基于解析控制方法与深度强化学习的鲁棒双足 locomotion
机器人学
2021-12-23 v1
摘要
本文提出一种模块化框架，通过解析行走方法与深度强化学习之间的紧密耦合来生成鲁棒双足运动。该框架由六个主要模块组成，这些模块按层次连接以降低整体复杂度并提升灵活性。该框架的核心是一个特定的动力学模型，其将人形机器人动力学模型抽象为上下身两个质量块。该动力学模型用于设计完全参数化的自适应参考轨迹规划器和最优控制器。此外，基于遗传算法(GA)和近端策略优化(PPO)开发了学习框架，以寻找最优参数并学习如何通过摆动手臂和改变质心(COM)高度来提升机器人稳定性。使用官方RoboCup 3D League仿真环境进行了一组仿真以验证框架性能。结果验证了该框架不仅在生成快速稳定步态方面的性能，也验证了其在学习提升上身效率方面的性能。
引用
@article{arxiv.2104.10592,
title = {Robust Biped Locomotion Using Deep Reinforcement Learning on Top of an Analytical Control Approach},
author = {Mohammadreza Kasaei and Miguel Abreu and Nuno Lau and Artur Pereira and Luis Paulo Reis},
journal= {arXiv preprint arXiv:2104.10592},
year = {2021}
}