DreamWaQ: Learning Robust Quadrupedal Locomotion With Implicit Terrain Imagination via Deep Reinforcement Learning

要約

四足歩行ロボットは、脚を持つ動物が構造化されていない地形を歩くという身体能力に似ている。しかし、四足歩行ロボットの制御装置の設計は、その機能の複雑さから、様々な地形への適応が必要であり、大きな課題となっています。近年、脚を持つ動物が経験から歩行を学ぶ方法に着想を得た深層強化学習が、自然な四足歩行ロコモーションを合成するために活用されています。しかし、最先端の手法は、複雑で信頼性の高いセンシングフレームワークに強く依存している。さらに、固有感覚にのみ依存する先行研究は、困難な地形、特に長距離を克服するための限定的な実証を示しています。本研究では、限られたセンシングモダリティでも、四足歩行ロボットが困難な地形を歩行できるようにする、新しい四足歩行ロコモーション学習フレームワークを提案する。提案したフレームワークは、実世界の様々な条件の屋外環境において、長距離を1回の走行で検証した。

要約(オリジナル)

Quadrupedal robots resemble the physical ability of legged animals to walk through unstructured terrains. However, designing a controller for quadrupedal robots poses a significant challenge due to their functional complexity and requires adaptation to various terrains. Recently, deep reinforcement learning, inspired by how legged animals learn to walk from their experiences, has been utilized to synthesize natural quadrupedal locomotion. However, state-of-the-art methods strongly depend on a complex and reliable sensing framework. Furthermore, prior works that rely only on proprioception have shown a limited demonstration for overcoming challenging terrains, especially for a long distance. This work proposes a novel quadrupedal locomotion learning framework that allows quadrupedal robots to walk through challenging terrains, even with limited sensing modalities. The proposed framework was validated in real-world outdoor environments with varying conditions within a single run for a long distance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL