UMC: Unified Resilient Controller for Legged Robots with Joint Malfunctions

要約

予測不可能な損害への適応は、自律的な脚のロボットにとって重要ですが、マルチポリティまたはメタ学習フレームワークに基づく既存の方法は、限られた一般化や複雑なメンテナンスなどの課題に直面しています。
この問題に対処するために、最初にセンサーの障害や関節の誤動作を含む8種類の損傷シナリオを分析および要約します。
次に、損傷の回復力を高めるためのマスキングメカニズムを組み込んだ、モデルフリーの2段階の2段階の統合フレームワーク、統合誤動作コントローラー（UMC）を提案します。
具体的には、モデルは最初に通常の環境でトレーニングされ、標準条件下で堅牢なパフォーマンスを確保します。
第2段階では、マスクを使用して、足のロボットが誤動作の手足に依存しないようにし、誤動作時に適応的な歩行と動きの調整を可能にします。
実験結果は、私たちのアプローチが、変圧器で平均36％、3つの移動タスクにわたってMLPで39％を改善することを示しています。
ソースコードと訓練されたモデルが一般に利用可能になります。

要約(オリジナル)

Adaptation to unpredictable damages is crucial for autonomous legged robots, yet existing methods based on multi-policy or meta-learning frameworks face challenges like limited generalization and complex maintenance. To address this issue, we first analyze and summarize eight types of damage scenarios, including sensor failures and joint malfunctions. Then, we propose a novel, model-free, two-stage training framework, Unified Malfunction Controller (UMC), incorporating a masking mechanism to enhance damage resilience. Specifically, the model is initially trained with normal environments to ensure robust performance under standard conditions. In the second stage, we use masks to prevent the legged robot from relying on malfunctioning limbs, enabling adaptive gait and movement adjustments upon malfunction. Experimental results demonstrate that our approach improves the task completion capability by an average of 36% for the transformer and 39% for the MLP across three locomotion tasks. The source code and trained models will be made available to the public.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google