MoE-Loco: Mixture of Experts for Multitask Locomotion

要約

脚のロボットのマルチタスク移動のための専門家（MOE）フレームワークの混合物であるMoe-Locoを提示します。
私たちの方法により、1つのポリシーが、四葉植と二足歩行の歩行をサポートしながら、バー、ピット、階段、斜面、バッフルなどの多様な地形を処理できます。
MOEを使用して、マルチタスク補強学習で通常発生する勾配競合を緩和し、トレーニングの効率とパフォーマンスの両方を改善します。
私たちの実験は、さまざまな専門家が自然に異なる移動行動を専門とすることを示しており、タスクの移行とスキル構成に活用できることを示しています。
さらに、シミュレーションと現実世界の展開の両方でアプローチを検証し、その堅牢性と適応性を紹介します。

要約(オリジナル)

We present MoE-Loco, a Mixture of Experts (MoE) framework for multitask locomotion for legged robots. Our method enables a single policy to handle diverse terrains, including bars, pits, stairs, slopes, and baffles, while supporting quadrupedal and bipedal gaits. Using MoE, we mitigate the gradient conflicts that typically arise in multitask reinforcement learning, improving both training efficiency and performance. Our experiments demonstrate that different experts naturally specialize in distinct locomotion behaviors, which can be leveraged for task migration and skill composition. We further validate our approach in both simulation and real-world deployment, showcasing its robustness and adaptability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google