VertiSelector：面向垂直挑战地形的轮式移动性自动课程学习
机器人学
2025-07-18 v4
摘要
强化学习（RL）有潜力通过模拟的端到端试错学习经验来规避复杂的运动学动力学建模、规划和控制，从而实现极限越野移动性。然而，大多数强化学习方法在大量人工设计的模拟环境中训练时样本效率低下，并且难以泛化到现实世界。为了解决这些问题，我们引入了 VertiSelector（VS），这是一个自动课程学习框架，旨在通过选择性采样训练地形来提高学习效率和泛化能力。VS 优先考虑在再次访问时具有更高时间差分（TD）误差的垂直挑战地形，从而使机器人能够在其不断发展的能力边缘进行学习。通过动态调整采样焦点，VS 在基于 Chrono 多物理引擎构建的 VW-Chrono 模拟器中显著提升了样本效率和泛化能力。此外，我们提供了在 Verti-4-Wheeler 平台上使用 VS 的仿真和物理结果。这些结果表明，VS 通过在训练期间高效采样并稳健地泛化到现实世界，在成功率方面实现了 23.08% 的提升。
引用
@article{arxiv.2409.17469,
title = {VertiSelector: Automatic Curriculum Learning for Wheeled Mobility on Vertically Challenging Terrain},
author = {Tong Xu and Chenhui Pan and Xuesu Xiao},
journal= {arXiv preprint arXiv:2409.17469},
year = {2025}
}