Non-Gaited Legged Locomotion with Monte-Carlo Tree Search and Supervised Learning

要約

脚式ロボットは、接触順序とタイミングを慎重に選択して環境と継続的に相互作用することで、複雑な地形を移動することができます。
ただし、コンタクト プランニングの背後にある組み合わせの性質により、ハードウェア上でのこのような最適化問題の適用が妨げられます。
この研究では、サンプリング ベースの手法と教師あり学習手法を使用して、最適化ベースのコントローラーのコンテキストで脚式ロボットの歩行シーケンスとそれぞれのタイミングを最適化する新しいアプローチを紹介します。
歩行計画手順を高速化し、リアルタイムで適用できるようにするために、最適値関数を学習することによって検索をブートストラップすることを提案します。
提案した方法を検証するために、シミュレーションと 22 kg の電動四足ロボットを使用したハードウェアの両方でそのパフォーマンスを紹介します。
この方法は、さまざまな地形、外部摂動下で、歩行順序がアプリオリに固定される標準的な制御アプローチと比較して評価されます。

要約(オリジナル)

Legged robots are able to navigate complex terrains by continuously interacting with the environment through careful selection of contact sequences and timings. However, the combinatorial nature behind contact planning hinders the applicability of such optimization problems on hardware. In this work, we present a novel approach that optimizes gait sequences and respective timings for legged robots in the context of optimization-based controllers through the use of sampling-based methods and supervised learning techniques. We propose to bootstrap the search by learning an optimal value function in order to speed-up the gait planning procedure making it applicable in real-time. To validate our proposed method, we showcase its performance both in simulation and on hardware using a 22 kg electric quadruped robot. The method is assessed on different terrains, under external perturbations, and in comparison to a standard control approach where the gait sequence is fixed a priori.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google