可迁移的潜空间到潜空间运动策略:面向多样化腿足机器人的高效通用运动控制
机器人学
2025-03-25 v1 人工智能
摘要
强化学习(RL)在习得机器人技能方面已展现出卓越能力,但每学习一项新技能仍需大量数据用于训练。预训练-微调范式为高效适应新机器人实体与任务提供了一条有前景的路径。受已获知识既能加速同一机器人学习新任务、又能帮助新机器人掌握已训练任务的启发,我们提出一种潜空间训练框架,其中可迁移的潜空间到潜空间运动策略与多样化的任务特定观测编码器及动作解码器共同预训练。该策略在潜空间中处理编码后的潜观测以生成待解码的潜动作,具备学习通用抽象运动技能的潜力。为保留决策与控制所需的关键信息,我们引入一个扩散恢复模块,在预训练阶段最小化信息重构损失。在微调阶段,预训练的潜空间到潜空间运动策略保持固定,仅优化轻量级的任务特定编码器与解码器以实现高效适配。我们的方法使机器人能够利用其在不同任务上的自身先验经验,以及其他形态多样化机器人的经验,从而加速适应过程。我们通过大量仿真与真实世界实验验证了该方法,证明预训练的潜空间到潜空间运动策略能够以更高的效率泛化到新的机器人实体与任务。
引用
@article{arxiv.2503.17626,
title = {Transferable Latent-to-Latent Locomotion Policy for Efficient and Versatile Motion Control of Diverse Legged Robots},
author = {Ziang Zheng and Guojian Zhan and Bin Shuai and Shengtao Qin and Jiangtao Li and Tao Zhang and Shengbo Eben Li},
journal= {arXiv preprint arXiv:2503.17626},
year = {2025}
}