基于力矩的深度强化学习用于双足机器人上任务与机器人无关的学习及 Sim-to-Real 迁移
机器人学
2023-09-01 v1
摘要
在本文中，我们重新审视了在结合 Sim2Real 训练控制真实双足机器人时，哪种动作空间最为合适的问题。位置控制因其更高的采样效率以及易于与其他规划算法结合而广受欢迎。然而，位置控制需要调节增益以实现最佳策略性能。我们表明，改用基于力矩的动作空间能够实现任务与机器人无关的学习，所需参数调节更少，并通过利用力矩控制固有的柔顺性来缓解仿真到现实的差距。此外，我们通过预训练策略以补偿重力保持直立来加速基于力矩的策略训练过程。本文展示了首个在真实人形尺寸双足机器人上基于力矩的深度强化学习策略的成功 sim-to-real 迁移。视频可在 https://youtu.be/CR6pTS39VRE 查看。
引用
@article{arxiv.2304.09434,
title = {Torque-based Deep Reinforcement Learning for Task-and-Robot Agnostic Learning on Bipedal Robots Using Sim-to-Real Transfer},
author = {Donghyeon Kim and Glen Berseth and Mathew Schwartz and Jaeheung Park},
journal= {arXiv preprint arXiv:2304.09434},
year = {2023}
}