DittoGym: Learning to Control Soft Shape-Shifting Robots

要約

ロボットの形態が特定のタスクを解決するために学習したポリシーと共同で最適化されているロボットの共同設計は、研究の新たな分野です。
これは、学習された形態とアクチュエーターを実現できる新しい製造技術に適したソフトロボットに特に有望です。
自然と最近の斬新なロボットのデザインに触発されて、私たちはさらに一歩進んで、生涯以内に形態を変えることができるロボットとして定義された新しい再構成可能なロボットを探求することを提案します。
再構成可能なソフトロボットの制御を、高次元の強化学習（RL）問題として正式にしています。
同じアクション空間での形態の変化、移動、環境の相互作用を統一し、結果として生じるロボットの細粒制御を達成するポリシーを発見できる適切な粗から洗練されたカリキュラムを導入します。
また、タスクを達成するために細かい形態の変化を必要とする再構成可能なソフトロボットの包括的なRLベンチマークであるDittogymも紹介します。
最後に、Dittogymで提案されている粗からファインまでのアルゴリズムを評価し、RLアルゴリズムによってユニークに有効にされたシーケンス内で数回その形態を数回変化させることを学ぶロボットを実証します。
さらに結果は、https：//suninghuang19.github.io/dittogym_page/で入手できます。

要約(オリジナル)

Robot co-design, where the morphology of a robot is optimized jointly with a learned policy to solve a specific task, is an emerging area of research. It holds particular promise for soft robots, which are amenable to novel manufacturing techniques that can realize learned morphologies and actuators. Inspired by nature and recent novel robot designs, we propose to go a step further and explore the novel reconfigurable robots, defined as robots that can change their morphology within their lifetime. We formalize control of reconfigurable soft robots as a high-dimensional reinforcement learning (RL) problem. We unify morphology change, locomotion, and environment interaction in the same action space, and introduce an appropriate, coarse-to-fine curriculum that enables us to discover policies that accomplish fine-grained control of the resulting robots. We also introduce DittoGym, a comprehensive RL benchmark for reconfigurable soft robots that require fine-grained morphology changes to accomplish the tasks. Finally, we evaluate our proposed coarse-to-fine algorithm on DittoGym and demonstrate robots that learn to change their morphology several times within a sequence, uniquely enabled by our RL algorithm. More results are available at https://suninghuang19.github.io/dittogym_page/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google