Advancing Humanoid Locomotion: Mastering Challenging Terrains with Denoising World Model Learning

要約

ヒューマノイド ロボットは、人間に似た骨格構造を備えており、人間中心の環境でのタスクに特に適しています。
ただし、この構造には、特に複雑な現実世界の環境において、移動コントローラーの設計においてさらなる課題が伴います。
その結果、既存の人型ロボットは、モデルベースの制御またはモデルフリーの強化学習のいずれかを使用して、比較的単純な地形に限定されます。
この研究では、ヒューマノイドの移動制御のためのエンドツーエンドの強化学習フレームワークであるデノイジング ワールド モデル学習 (DWL) を紹介します。これは、世界初の人型ロボットが雪の多い土地や傾斜地などの現実世界の困難な地形を習得することを実証します。
荒々しい階段の上り下り、非常にでこぼこした地形。
すべてのシナリオは、ゼロショット sim-to-real 転送を使用して同じ学習済みニューラル ネットワークを実行します。これは、提案された方法の優れた堅牢性と一般化機能を示しています。

要約(オリジナル)

Humanoid robots, with their human-like skeletal structure, are especially suited for tasks in human-centric environments. However, this structure is accompanied by additional challenges in locomotion controller design, especially in complex real-world environments. As a result, existing humanoid robots are limited to relatively simple terrains, either with model-based control or model-free reinforcement learning. In this work, we introduce Denoising World Model Learning (DWL), an end-to-end reinforcement learning framework for humanoid locomotion control, which demonstrates the world’s first humanoid robot to master real-world challenging terrains such as snowy and inclined land in the wild, up and down stairs, and extremely uneven terrains. All scenarios run the same learned neural network with zero-shot sim-to-real transfer, indicating the superior robustness and generalization capability of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google