Reinforcement Learning for Robust Athletic Intelligence: Lessons from the 2nd ‘AI Olympics with RealAIGym’ Competition

要約

ロボット工学の分野では、古典的な計画から最適な制御、強化学習（RL）に至るまでの多くの異なるアプローチが、多様なタスクで信頼できる制御を実現するために、他の分野から開発され、借用されています。
実世界のロボットシナリオでの個々の長所と短所と適用性を明確に理解するためには、シミュレーションだけでなく、実際のハードウェアでもパフォーマンスをベンチマークして比較することが重要です。
「Realaigymとの第2 AIオリンピック」競争は、IROS 2024会議で開催され、この原因に貢献し、異なるコントローラーを、混oticとしたダイナミクスを備えた2回の振り子システムで動的なコントロール問題を解決する能力に応じて行われました。
このホワイトペーパーでは、参加チームが提出した4つの異なるRLメソッドについて説明し、さまざまな基準に対して測定された実際の二重振り子でのスイングアップタスクでのパフォーマンスを示し、シミュレーションから実際のハードウェアへの移動性と外障害への堅牢性について説明します。

要約(オリジナル)

In the field of robotics many different approaches ranging from classical planning over optimal control to reinforcement learning (RL) are developed and borrowed from other fields to achieve reliable control in diverse tasks. In order to get a clear understanding of their individual strengths and weaknesses and their applicability in real world robotic scenarios is it important to benchmark and compare their performances not only in a simulation but also on real hardware. The ‘2nd AI Olympics with RealAIGym’ competition was held at the IROS 2024 conference to contribute to this cause and evaluate different controllers according to their ability to solve a dynamic control problem on an underactuated double pendulum system with chaotic dynamics. This paper describes the four different RL methods submitted by the participating teams, presents their performance in the swing-up task on a real double pendulum, measured against various criteria, and discusses their transferability from simulation to real hardware and their robustness to external disturbances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google