用于弹性驱动机器人的 RL 策略 Sim2Real 迁移的腱力建模
机器人学
2026-03-05 v1
摘要
利用软性或顺从交互的机器人通常采用腱驱动执行器，可实现更灵活的执行器位置安置，并维持顺从性。然而，控制复杂的腱系统具有挑战性。仿真结合强化学习 (RL) 可生成更复杂的行为。但此类方法依赖于基于扭矩和力的仿真推演，由于执行器和系统动力学的仿真-现实差距，导致 RL 策略在实际机器人上的迁移效果不佳。为解决此问题，我们提出了一种方法，用于建模典型舵机电机产生的腱力，具体聚焦于弹性驱动手指的 RL 策略迁移。我们的方法扩展了现有数据驱动技术，利用情境历史和新颖的数据收集测试台。该测试台允许我们捕获腱力在典型现实世界操作中进行接触丰富交互的过程。随后，我们将所建模的力量估计模型集成到 GPU 加速的腱力驱动刚体仿真中，用于训练基于 RL 的控制器。我们的基于 Transformer 的模型能够在 3% 的最大电机力量范围内预测腱力，且具备机器人通用性。通过将所学模型集成到仿真中，我们将测试轨迹的仿真-现实差距降低 41%。使用我们的方法训练的 RL 控制器在实际弹性驱动机器人手指的指尖姿态跟踪任务中实现 50% 的性能提升。该方法可推广至不同执行器和机器人系统，能够广泛应用于腱系统，推动灵巧操纵器和软体机器人能力的提升。
关键词
引用
@article{arxiv.2603.04351,
title = {Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots},
author = {Valentin Yuryev and Josie Hughes},
journal= {arXiv preprint arXiv:2603.04351},
year = {2026}
}
备注
preprint