Non-Gaited Legged Locomotion with Monte-Carlo Tree Search and Supervised Learning

要約

脚のあるロボットは、接触シーケンスとタイミングを慎重に選択することにより、環境と継続的に相互作用することにより、複雑な地形をナビゲートすることができます。
ただし、連絡先計画の背後にある組み合わせの性質は、ハードウェア上のこのような最適化問題の適用性を妨げます。
この作業では、サンプリングベースの方法と監視された学習技術を使用して、最適化ベースのコントローラーのコンテキストで、歩行シーケンスとそれぞれのレギュドロボットのそれぞれのタイミングを最適化する新しいアプローチを提示します。
リアルタイムで適用できる歩行計画手順をスピードアップするために、最適な値関数を学習することにより、検索をブートストラップすることを提案します。
提案された方法を検証するために、22 kgの電気四足動物ロボットを使用して、シミュレーションとハードウェア上のパフォーマンスを紹介します。
この方法は、外部の摂動の下で、および歩行シーケンスが先験的に固定されている標準的な制御アプローチと比較して、異なる地形で評価されます。

要約(オリジナル)

Legged robots are able to navigate complex terrains by continuously interacting with the environment through careful selection of contact sequences and timings. However, the combinatorial nature behind contact planning hinders the applicability of such optimization problems on hardware. In this work, we present a novel approach that optimizes gait sequences and respective timings for legged robots in the context of optimization-based controllers through the use of sampling-based methods and supervised learning techniques. We propose to bootstrap the search by learning an optimal value function in order to speed-up the gait planning procedure making it applicable in real-time. To validate our proposed method, we showcase its performance both in simulation and on hardware using a 22 kg electric quadruped robot. The method is assessed on different terrains, under external perturbations, and in comparison to a standard control approach where the gait sequence is fixed a priori.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google