软体机器人学习爬行：设计与控制的联合优化及仿真到实物的迁移
机器人学
2022-02-10 v1
摘要
本工作提供了一个完整的框架，用于软体腿式机器人设计与控制的仿真、协同优化以及 sim-to-real（仿真到实物）迁移。软体机器人的柔顺性提供了一种“机械智能”——被动展现原本难以编程的行为的能力。利用这种能力需要仔细考虑机械设计与控制之间的耦合。协同优化通过推理此耦合提供了一种有前景的手段来生成复杂的软体机器人。然而，软体机器人动力学的复杂性使得难以提供一个既足够精确以允许 sim-to-real 迁移，又足够快速以适配当代协同优化算法的仿真环境。在本工作中，我们表明有限元仿真结合近期模型降阶技术提供了成功学习有效软体机器人设计-控制对并迁移至现实所需的效率与精度。我们提出了一种基于强化学习的协同优化框架，并展示了若干软体爬行机器人的成功优化、构建与零样本 sim-to-real 迁移。我们习得的机器人优于专家设计的爬行机器人，表明即便在已被充分理解的领域中，我们的方法也能生成新颖、高性能的设计。
引用
@article{arxiv.2202.04575,
title = {Soft Robots Learn to Crawl: Jointly Optimizing Design and Control with Sim-to-Real Transfer},
author = {Charles Schaff and Audrey Sedal and Matthew R. Walter},
journal= {arXiv preprint arXiv:2202.04575},
year = {2022}
}