要約
この論文では、四足歩行ロボットが飛び石などの非常に制約された環境で移動するための効率的な接触プランナーを提案します。
この設定における主な困難は、問題の性質が混在していること、つまりステップ可能なパッチに対する離散探索と連続的な軌道の最適化に起因します。
離散探索を高速化するために、ある接触モードから別の接触モードへの遷移の特性を研究します。
特に、動的実現可能性分類器と目標調整ネットワークを学習することを提案します。
前者は、2 つの接触モード間の接触遷移が動的に実現可能かどうかを予測します。
後者は、低レベル制御の不完全性による、目的の接触位置セットに到達する際の位置ずれを補償するように訓練されます。
これらの学習されたネットワークをモンテカルロ ツリー検索 (MCTS) コンタクト プランナーに統合します。
私たちのシミュレーション結果は、これらのネットワークをオフライン データでトレーニングすると、オンライン検索プロセスが大幅に高速化され、精度が向上することを示しています。
要約(オリジナル)
In this paper, we propose an efficient contact planner for quadrupedal robots to navigate in extremely constrained environments such as stepping stones. The main difficulty in this setting stems from the mixed nature of the problem, namely discrete search over the steppable patches and continuous trajectory optimization. To speed up the discrete search, we study the properties of the transitions from one contact mode to another. In particular, we propose to learn a dynamic feasibility classifier and a target adjustment network. The former predicts if a contact transition between two contact modes is dynamically feasible. The latter is trained to compensate for misalignment in reaching a desired set of contact locations, due to imperfections of the low-level control. We integrate these learned networks in a Monte Carlo Tree Search (MCTS) contact planner. Our simulation results demonstrate that training these networks with offline data significantly speeds up the online search process and improves its accuracy.
arxiv情報
著者 | Rikhat Akizhanov,Victor Dhédin,Majid Khadiv,Ivan Laptev |
発行日 | 2024-12-04 09:59:19+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google