Learning Bipedal Locomotion on Gear-Driven Humanoid Robot Using Foot-Mounted IMUs

要約

複雑なアクチュエーターのダイナミクスとトルクセンサーの欠如により、高gear比のヒューマノイドロボットのシムからリアルの強化学習（RL）アクチュエーターのヒューマノイドロボット。
これに対処するために、フットマウントされた慣性測定単位（IMU）を活用する新しいRLフレームワークを提案します。
詳細なアクチュエータモデリングとシステム識別を追求する代わりに、フットマウントIMU測定値を利用して、困難な地形よりも迅速な安定化能力を高めます。
さらに、提案された観察スペースとランダムなネットワーク蒸留専用の対称データ増強を提案して、粗い地形での二足歩行の移動学習を強化します。
さまざまな環境にわたるミニチュアサイズのヒューマノイド評価03でのハードウェア実験を通じてアプローチを検証します。
実験結果は、我々の方法が非剛性表面および突然の環境移行に比べて迅速な安定化能力を改善することを示しています。

要約(オリジナル)

Sim-to-real reinforcement learning (RL) for humanoid robots with high-gear ratio actuators remains challenging due to complex actuator dynamics and the absence of torque sensors. To address this, we propose a novel RL framework leveraging foot-mounted inertial measurement units (IMUs). Instead of pursuing detailed actuator modeling and system identification, we utilize foot-mounted IMU measurements to enhance rapid stabilization capabilities over challenging terrains. Additionally, we propose symmetric data augmentation dedicated to the proposed observation space and random network distillation to enhance bipedal locomotion learning over rough terrain. We validate our approach through hardware experiments on a miniature-sized humanoid EVAL-03 over a variety of environments. The experimental results demonstrate that our method improves rapid stabilization capabilities over non-rigid surfaces and sudden environmental transitions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google