Learning to Adapt through Bio-Inspired Gait Strategies for Versatile Quadruped Locomotion

要約

Deep Rehnection Learning（DRL）は、四足込んだロボットの移動に革命をもたらしましたが、既存の制御フレームワークは、トレーニング誘発性の観察範囲を超えて一般化するのに苦労しており、その結果、適応性と歩行能力が限られています。
対照的に、動物は歩行遷移戦略、多様な歩行利用、および即時の環境需要に対するシームレスな調整を通じて、並外れた適応性を達成します。
これらの機能に触発されて、動物の移動の重要な属性を組み込んだ新しいDRLフレームワークを提示します：歩行遷移戦略、擬似歩行手続き型メモリ、適応運動調整。
このアプローチにより、私たちのフレームワークは、複雑な地形での盲目的なゼロショット展開と、重大な不安定な状態からの回復を通じて実証されています。
私たちの調査結果は、動物の移動の生体力学に関する貴重な洞察を提供し、堅牢で適応可能なロボットシステムへの道を開いています。

要約(オリジナル)

Deep reinforcement learning (DRL) has revolutionised quadruped robot locomotion, but existing control frameworks struggle to generalise beyond their training-induced observational scope, resulting in limited adaptability and gait proficiency. In contrast, animals achieve exceptional adaptability through gait transition strategies, diverse gait utilisation, and seamless adjustment to immediate environmental demands. Inspired by these capabilities, we present a novel DRL framework that incorporates key attributes of animal locomotion: gait transition strategies, pseudo gait procedural memory, and adaptive motion adjustments. This approach enables our framework to achieve unparalleled adaptability, demonstrated through blind zero-shot deployment on complex terrains and recovery from critically unstable states. Our findings offer valuable insights into the biomechanics of animal locomotion, paving the way for robust, adaptable robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google