AnyCar to Anywhere: Learning Universal Dynamics Model for Agile and Adaptive Mobility

要約

ロボット学習コミュニティにおける最近の研究では、ナビゲーションや移動などの幅広いタスクにわたってさまざまなロボットの実施形態を制御できるジェネラリスト モデルの導入に成功しました。
ただし、ロボットのパフォーマンスの限界を押し上げる機敏な制御を実現するには、依然として広範なパラメータ調整が必要な専門モデルに依存しています。
ジェネラリスト モデルの適応性と柔軟性を活用しながらスペシャリスト レベルの機敏性を実現するために、さまざまな車輪付きロボットの機敏な制御のために設計されたトランスフォーマー ベースのジェネラリスト ダイナミクス モデルである AnyCar を提案します。
トレーニング データを収集するために、複数のシミュレーターを統合し、さまざまな物理バックエンドを活用して、さまざまな地形にわたるさまざまなサイズ、スケール、物理的特性を持つ車両をシミュレートします。
堅牢なトレーニングと現実世界の微調整により、当社のモデルは、野生環境や状態推定誤差が大きい場合でも、さまざまな車両に正確に適応できます。
実際の実験では、AnyCar は、幅広い車両や環境にわたって、少数ショットとゼロショットの両方の一般化を示し、サンプリング ベースの MPC と組み合わせたモデルは、専門モデルを最大 54% 上回りました。
これらの結果は、機敏な車輪付きロボット制御の基礎モデルの構築に向けた重要なステップを表しています。
また、さらなる研究をサポートするためにフレームワークをオープンソース化します。

要約(オリジナル)

Recent works in the robot learning community have successfully introduced generalist models capable of controlling various robot embodiments across a wide range of tasks, such as navigation and locomotion. However, achieving agile control, which pushes the limits of robotic performance, still relies on specialist models that require extensive parameter tuning. To leverage generalist-model adaptability and flexibility while achieving specialist-level agility, we propose AnyCar, a transformer-based generalist dynamics model designed for agile control of various wheeled robots. To collect training data, we unify multiple simulators and leverage different physics backends to simulate vehicles with diverse sizes, scales, and physical properties across various terrains. With robust training and real-world fine-tuning, our model enables precise adaptation to different vehicles, even in the wild and under large state estimation errors. In real-world experiments, AnyCar shows both few-shot and zero-shot generalization across a wide range of vehicles and environments, where our model, combined with a sampling-based MPC, outperforms specialist models by up to 54%. These results represent a key step toward building a foundation model for agile wheeled robot control. We will also open-source our framework to support further research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google