FACET: Force-Adaptive Control via Impedance Reference Tracking for Legged Robots

要約

Rehnection Learning（RL）は、脚のあるロボット制御に大きな進歩を遂げ、多様な地形と複雑な局所操作機能を介した移動を可能にします。
ただし、一般的に使用される位置または速度追跡ベースの目的は、ロボットが経験する力に対して不可知論的であり、強力な相互作用中の硬くて潜在的に危険な行動と制御不良につながります。
この制限に対処するために、インピーダンス参照追跡}（ファセット）を介して\ emph {力適応制御を提示します。
インピーダンス制御に触発されて、RLを使用して制御ポリシーをトレーニングして仮想の質量散布ダンパーシステムを模倣し、仮想スプリングを操作することにより外力の下で細粒の制御を可能にします。
シミュレーションでは、四足動物のロボットが大きな衝動（最大200 ns）に対する堅牢性が向上し、制御可能なコンプライアンスを示すことを実証し、衝突衝動の80％の減少を達成します。
ポリシーは物理ロボットに展開され、コンプライアンスと運動感覚制御とその重量の最大2/3までのペイロードを引き出すことで大きな力と関与する能力の両方を紹介します。
脚のあるロコマニピュレーターとヒューマノイドへのさらなる拡張は、全身コンプライアンス制御を可能にするために、より複雑な設定への方法の適用性を示しています。
プロジェクトWebサイト：https：//facet.pages.dev/

要約(オリジナル)

Reinforcement learning (RL) has made significant strides in legged robot control, enabling locomotion across diverse terrains and complex loco-manipulation capabilities. However, the commonly used position or velocity tracking-based objectives are agnostic to forces experienced by the robot, leading to stiff and potentially dangerous behaviors and poor control during forceful interactions. To address this limitation, we present \emph{Force-Adaptive Control via Impedance Reference Tracking} (FACET). Inspired by impedance control, we use RL to train a control policy to imitate a virtual mass-spring-damper system, allowing fine-grained control under external forces by manipulating the virtual spring. In simulation, we demonstrate that our quadruped robot achieves improved robustness to large impulses (up to 200 Ns) and exhibits controllable compliance, achieving an 80% reduction in collision impulse. The policy is deployed to a physical robot to showcase both compliance and the ability to engage with large forces by kinesthetic control and pulling payloads up to 2/3 of its weight. Further extension to a legged loco-manipulator and a humanoid shows the applicability of our method to more complex settings to enable whole-body compliance control. Project Website: https://facet.pages.dev/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google