Learning Low-Frequency Motion Control for Robust and Dynamic Robot Locomotion

要約

ロボットによる移動は、モーション制御の頻度を増やすことによって堅牢性と反応性を最大化するという目標を持ってアプローチされることがよくあります。
この直感的な概念に挑戦するために、実際の ANYmal C 四足動物で 8 Hz という低い速度で実行される学習済みモーション コントローラーを使用して、堅牢で動的な移動を実証します。
ロボットは、1.5 m/s の高速のヘディング速度を堅牢かつ再現性よく達成し、でこぼこした地形を横断し、予期しない外部摂動に抵抗することができます。
さらに、5 Hz から 200 Hz の範囲の周波数でトレーニングおよび実行された深層強化学習 (RL) ベースのモーション コントロール ポリシーの比較分析を提示します。
低頻度のポリシーは、作動の待ち時間やシステム ダイナミクスの変動の影響を受けにくいことを示しています。
これは、ダイナミクスのランダム化やアクチュエーション モデリングがなくても、成功した sim-to-real 転送を実行できる程度です。
私たちは、一連の厳密な経験的評価を通じて、この主張を支持しています。
さらに、再現性を高めるために、https://ori-drs.github.io/lfmc/ で拡張分析とともにトレーニングと展開コードを提供しています。

要約(オリジナル)

Robotic locomotion is often approached with the goal of maximizing robustness and reactivity by increasing motion control frequency. We challenge this intuitive notion by demonstrating robust and dynamic locomotion with a learned motion controller executing at as low as 8 Hz on a real ANYmal C quadruped. The robot is able to robustly and repeatably achieve a high heading velocity of 1.5 m/s, traverse uneven terrain, and resist unexpected external perturbations. We further present a comparative analysis of deep reinforcement learning (RL) based motion control policies trained and executed at frequencies ranging from 5 Hz to 200 Hz. We show that low-frequency policies are less sensitive to actuation latencies and variations in system dynamics. This is to the extent that a successful sim-to-real transfer can be performed even without any dynamics randomization or actuation modeling. We support this claim through a set of rigorous empirical evaluations. Moreover, to assist reproducibility, we provide the training and deployment code along with an extended analysis at https://ori-drs.github.io/lfmc/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google