基于自然语言信息的机器人结构损伤零样适应

高性能自主移动机器人在野外操作期间会承受显著的机械应力，例如高速行驶或越越粗糙地形。虽然这些平台经过设计可承受此类条件，但机械退化是不可避免的。结构损伤表现为与健康车辆相比在 kinodynamic 行为上的一致且显著的变化。鉴于结构损伤的异构性，量化各种损伤以信息化 kinodynamic 是具有挑战性的。我们认为自然语言可以描述和因此捕捉这种损伤的多样性。因此，我们提出了基于自然语言信息的零样本 Kinodynamic 适应（ZLIK），该方法采用自监督学习将损伤描述的语义信息 grounding 在 kinodynamic 行为中，以数据驱动的方式学习前向 kinodynamic 模型。我们利用高保真软体物理模拟器 BeamNG.tech 收集来自各种结构受损车辆的数据。我们的学习模型在不同损伤上实现 zero-shot adaptation，损伤误差降低最高可达 81%，并跨 sim-to-real 和 full-to-1/10 规模差异进行泛化。