Achieving Stable High-Speed Locomotion for Humanoid Robots with Deep Reinforcement Learning

要約

ヒューマノイド ロボットは、幅広いタスクを実行するための優れた多用途性を備えていますが、特に高速で歩いたり走ったりする基本的な能力には依然として課題が残っています。
このレターでは、深層強化学習と運動力学的事前学習を組み合わせて安定した移動制御 (KSLC) を実現する新しい方法を紹介します。
KSLC は、不安定な力に対抗するために協調した腕の動きを促進し、全体の安定性を高めます。
ベースライン方法と比較して、KSLC は、指令された速度のより正確な追跡と、速度制御の一般化の向上を実現します。
シミュレーション テストでは、KSLC 対応の人型ロボットは、変動を抑えながら 3.5 m/s の目標速度を追跡することに成功しました。
高忠実度環境での Sim-to-sim 検証により、その堅牢なパフォーマンスがさらに確認され、現実世界のアプリケーションでの可能性が強調されました。

要約(オリジナル)

Humanoid robots offer significant versatility for performing a wide range of tasks, yet their basic ability to walk and run, especially at high velocities, remains a challenge. This letter presents a novel method that combines deep reinforcement learning with kinodynamic priors to achieve stable locomotion control (KSLC). KSLC promotes coordinated arm movements to counteract destabilizing forces, enhancing overall stability. Compared to the baseline method, KSLC provides more accurate tracking of commanded velocities and better generalization in velocity control. In simulation tests, the KSLC-enabled humanoid robot successfully tracked a target velocity of 3.5 m/s with reduced fluctuations. Sim-to-sim validation in a high-fidelity environment further confirmed its robust performance, highlighting its potential for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google