Think on your feet: Seamless Transition between Human-like Locomotion in Response to Changing Commands

要約

ヒューマノイドロボットをトレーニングして特定の移動スキルを模倣する方が比較的簡単ですが、さまざまな動きから学び、継続的に変化するコマンドを遵守することはより困難です。
これらのロボットは、モーション命令を正確に追跡し、さまざまな動きの間のシームレスに移行し、参照データに存在しないマスター中間モーションを必要とする必要があります。
この作業では、人間のような動きの伝達を、一連の改善により古典的な模倣学習に統合する新しいアプローチを提案します。
一般化を強化するために、Wasserstein Divergence Criterion（WGAN-DIV）を採用しています。
さらに、ハイブリッド内部モデルは、モバイルの安定性と環境適応性を高めるために、隠された状態と速度の構造化された推定値を提供し、好奇心ボーナスは探索を促進します。
当社の包括的な方法は、さまざまな速度要件、目に見えない動きとマルチタスクへの直接的な一般化、およびさまざまな地形の現実世界へのゼロショット転送に適応する非常に人間のような移動を約束します。
これらの進歩は、さまざまなロボットモデルのシミュレーションと広範な実世界の実験を通じて検証されます。

要約(オリジナル)

While it is relatively easier to train humanoid robots to mimic specific locomotion skills, it is more challenging to learn from various motions and adhere to continuously changing commands. These robots must accurately track motion instructions, seamlessly transition between a variety of movements, and master intermediate motions not present in their reference data. In this work, we propose a novel approach that integrates human-like motion transfer with precise velocity tracking by a series of improvements to classical imitation learning. To enhance generalization, we employ the Wasserstein divergence criterion (WGAN-div). Furthermore, a Hybrid Internal Model provides structured estimates of hidden states and velocity to enhance mobile stability and environment adaptability, while a curiosity bonus fosters exploration. Our comprehensive method promises highly human-like locomotion that adapts to varying velocity requirements, direct generalization to unseen motions and multitasking, as well as zero-shot transfer to the simulator and the real world across different terrains. These advancements are validated through simulations across various robot models and extensive real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google