State Estimation Transformers for Agile Legged Locomotion

要約

我々は、野生でのジャンプなどの高度なスキルを実行する際の四足ロボットの限界を押し上げるために、ロボットの特権状態を正確に予測できる状態推定手法を提案します。
特に、状態推定問題を条件付きシーケンス モデリングとしてキャストするアーキテクチャである状態推定トランスフォーマー (SET) を紹介します。
SET は、因果的にマスクされた Transformer を利用して、体の高さや速度など、現実世界では直接取得することが難しいロボットの状態を出力します。
ロボットの過去の状態に基づいて自己回帰モデルを条件付けることにより、SET モデルは非常に動的な移動中でもこれらの特権的な観察を正確に予測できます。
低コストの四足歩行ロボット Cyber​​dog2 を使用して、ジャンプ走行、バク転走行、横滑り走行の 3 つのタスクについてメソッドを評価します。
結果は、SET がシミュレーションにおける推定精度と伝達性、および現実世界でのジャンプと回復コントローラーのトリガーの成功率において他の方法よりも優れていることを示しており、高度に動的な移動タスクにおけるこのような Transformer ベースの明示的状態推定器の優位性を示唆しています。
。

要約(オリジナル)

We propose a state estimation method that can accurately predict the robot’s privileged states to push the limits of quadruped robots in executing advanced skills such as jumping in the wild. In particular, we present the State Estimation Transformers (SET), an architecture that casts the state estimation problem as conditional sequence modeling. SET outputs the robot states that are hard to obtain directly in the real world, such as the body height and velocities, by leveraging a causally masked Transformer. By conditioning an autoregressive model on the robot’s past states, our SET model can predict these privileged observations accurately even in highly dynamic locomotions. We evaluate our methods on three tasks — running jumping, running backflipping, and running sideslipping — on a low-cost quadruped robot, Cyberdog2. Results show that SET can outperform other methods in estimation accuracy and transferability in the simulation as well as success rates of jumping and triggering a recovery controller in the real world, suggesting the superiority of such a Transformer-based explicit state estimator in highly dynamic locomotion tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google