代理合规建模使软机器人的强化学习运动步态成为可能

自适应形态发生机器人自适应其形态和控制策略以满足不断变化的任务和环境条件。许多此类系统利用软体组件，这使形状形态变化成为可能，但也引入了仿真和控制挑战。软体仿真器在精度和计算可处理性方面仍然有限，而刚体仿真器无法捕捉软材料动力学。在这里，我们提出了一种代理合规建模方法：与其显式建模软体物理，我们引入了代表软材料变形的间接变量，在刚体仿真器中使用。我们使用我们的两栖机器龟——一种为多环境运动设计的具有软变形肢体的四足机器人——验证了该方法。通过将变形效应捕捉为有效肢体长度和肢体质心的变化，并通过对这些间接变量进行广泛随机化的强化学习，我们在完全刚体仿真中实现了可靠的策略学习。产生的步态直接迁移到硬件上，在硬平坦基底上展示了高保真度的仿真到现实性能，在流变学复杂的地形上展示了稳健但保真度较低的迁移。学习到的闭环步态展现了前所未有的陆地机动性，并与开环基线相比实现了数量级的运输成本降低。对机器人的实地实验进一步展示了在砾石、草地和泥浆等多种自然地形上的稳定多步态运动。