Learning Impact-Rich Rotational Maneuvers via Centroidal Velocity Rewards and Sim-to-Real Techniques: A One-Leg Hopper Flip Case Study

要約

フロントフリップなどの動的回転操作には、本質的に大きな角運動量の生成と激しい衝撃力が含まれ、強化学習とSIMから実現への大きな課題を提示します。
この作業では、重心速度ベースの報酬とアクチュエータを意識したSIMからリアルの技術を通じて、衝撃豊富な回転集約的な行動を学習および展開するための一般的なフレームワークを提案します。
従来のリンクレベルの報酬定式化が真の全身の回転を誘導できず、システム全体の回転ダイナミクスを正確にキャプチャする恒光度の角速度報酬を導入することを特定します。
極端な条件下でSIMからリアルのギャップを橋渡しするために、モーターモーター動作領域（MOR）をモデル化し、伝送負荷正規化を適用して、現実的なトルクコマンドと機械的堅牢性を確保します。
1つのレッグホッパーフロントフリップを代表的なケーススタディとして使用して、フルフロントフリップの最初の成功したハードウェア実現を示します。
私たちの結果は、中心体のダイナミクスとアクチュエータの制約を組み込むことが、非常にダイナミックな動きを確実に実行するために重要であることを強調しています。
補足ビデオは、https：//youtu.be/atmavi4s1ryで入手できます

要約(オリジナル)

Dynamic rotational maneuvers, such as front flips, inherently involve large angular momentum generation and intense impact forces, presenting major challenges for reinforcement learning and sim-to-real transfer. In this work, we propose a general framework for learning and deploying impact-rich, rotation-intensive behaviors through centroidal velocity-based rewards and actuator-aware sim-to-real techniques. We identify that conventional link-level reward formulations fail to induce true whole-body rotation and introduce a centroidal angular velocity reward that accurately captures system-wide rotational dynamics. To bridge the sim-to-real gap under extreme conditions, we model motor operating regions (MOR) and apply transmission load regularization to ensure realistic torque commands and mechanical robustness. Using the one-leg hopper front flip as a representative case study, we demonstrate the first successful hardware realization of a full front flip. Our results highlight that incorporating centroidal dynamics and actuator constraints is critical for reliably executing highly dynamic motions. A supplementary video is available at: https://youtu.be/atMAVI4s1RY

arxiv情報

提供元, 利用サービス

arxiv.jp, Google