SLR：无特权信息下的四足机器人 locomotion 学习
机器人学
2024-10-22 v2
摘要
最近主流的四足机器人强化学习控制方法常常依赖特权信息，这需要精细的特征选择和精确的估计，从而限制了开发进程。本文提出一种自学习潜在表示（Self-learning Latent Representation, SLR）方法，实现高性能的控制策略学习，无需特权信息。为增强所提方法评估的可信度，SLR 直接与使用其开源代码仓库和原始配置参数的前沿算法进行了比较。惊人的是，仅使用有限的感性数据，SLR 就超过了前述方法的性能，展示了在未来应用中的巨大潜力。最终，训练好的策略和编码器使四足机器人能够遍历各种具有挑战性的地形。我们的结果视频可在我们的网站上查看：https://11chens.github.io/SLR/
引用
@article{arxiv.2406.04835,
title = {SLR: Learning Quadruped Locomotion without Privileged Information},
author = {Shiyi Chen and Zeyu Wan and Shiyang Yan and Chun Zhang and Weiyi Zhang and Qiang Li and Debing Zhang and Fasih Ud Din Farrukh},
journal= {arXiv preprint arXiv:2406.04835},
year = {2024}
}