Humanoid Parkour Learning

要約

パルクールは、四足歩行ロボットであっても、脚で移動するための壮大な挑戦であり、複数の困難な障害物を克服するために能動的な知覚とさまざまな操作を必要とします。
ヒューマノイドの移動に関する既存の手法は、単一のパルクール トラックの軌道を最適化するか、大量のモーション参照を使用して歩行するための強化学習ポリシーをトレーニングするかのいずれかです。
この研究では、事前のモーションなしで複数のパルクール スキルを克服する、ヒューマノイド ロボット向けのエンドツーエンドのビジョンベースの全身制御パルクール ポリシーを学習するためのフレームワークを提案します。
パルクール ポリシーを使用すると、この人型ロボットは 0.42 メートルのプラットフォームでジャンプしたり、ハードルや 0.8 メートルの段差を飛び越えたりすることができます。
野生下では秒速 1.8 メートルで走行し、さまざまな地形でもしっかりと歩くことができます。
屋内と屋外の環境でポリシーをテストし、ジョイスティックの回転コマンドに従いながらパルクール スキルを自律的に選択できることを実証します。
アームのアクションをオーバーライドし、このフレームワークが人型のモバイル操作タスクに簡単に移行できることを示します。
ビデオは https://humanoid4parkour.github.io でご覧いただけます。

要約(オリジナル)

Parkour is a grand challenge for legged locomotion, even for quadruped robots, requiring active perception and various maneuvers to overcome multiple challenging obstacles. Existing methods for humanoid locomotion either optimize a trajectory for a single parkour track or train a reinforcement learning policy only to walk with a significant amount of motion references. In this work, we propose a framework for learning an end-to-end vision-based whole-body-control parkour policy for humanoid robots that overcomes multiple parkour skills without any motion prior. Using the parkour policy, the humanoid robot can jump on a 0.42m platform, leap over hurdles, 0.8m gaps, and much more. It can also run at 1.8m/s in the wild and walk robustly on different terrains. We test our policy in indoor and outdoor environments to demonstrate that it can autonomously select parkour skills while following the rotation command of the joystick. We override the arm actions and show that this framework can easily transfer to humanoid mobile manipulation tasks. Videos can be found at https://humanoid4parkour.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, Google