基于混合运动动力学模型预测控制的零样本四足机器人运动策略重定向
机器人学
2022-09-29 v1
摘要
强化学习（RL）在四足机器人运动方面取得了巨大进展，策略可靠的仿真到实物的迁移持续取得进步。然而，在另一机器人上复用策略仍具挑战，而这本可节省重新训练的时间。在这项工作中，我们提出了一种零样本策略重定向框架，其中多样的电机技能可在形状与尺寸不同的机器人间迁移。该新框架核心在于一个系统性整合 RL 与模型预测控制（MPC）的规划与控制流水线。规划阶段采用 RL 生成动力学可行的轨迹及接触时序，避免了接触序列优化的组合复杂度。该信息随后用于初始化 MPC，通过一种新的混合运动动力学（HKD）模型隐式优化落脚位置，以稳定并增强策略展开的抗扰性。硬件结果表明，无需任何策略重调，即可将来自 A1 与 Laikago 机器人的策略迁移至 MIT Mini Cheetah 机器人。
引用
@article{arxiv.2209.14123,
title = {Zero-Shot Retargeting of Learned Quadruped Locomotion Policies Using Hybrid Kinodynamic Model Predictive Control},
author = {He Li and Tingnan Zhang and Wenhao Yu and Patrick M. Wensing},
journal= {arXiv preprint arXiv:2209.14123},
year = {2022}
}
备注
This paper is accepted by IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022. We would like to make this paper visible on arxiv to the general public in case some research groups are interested