Learning Robust, Agile, Natural Legged Locomotion Skills in the Wild

要約

近年、強化学習は脚式ロボットの運動制御のための有力なソリューションとなっている。モデルベース制御と比較して、強化学習ベースのコントローラは、シムツーリアル学習により、環境の不確実性に対してより優れたロバスト性を達成することができる。しかし，学習された歩行は一般的に保守的で不自然である．本論文では、ロバストで俊敏かつ自然な足歩行スキルを学習するための新しいフレームワークを提案する。本論文では、ロバストなシミュレーションから実走行への移行を実現するために、教師-生徒間の学習パイプラインに、実動物の運動データに基づく敵対的な学習分岐を組み込む。四足歩行ロボットのシミュレーションと実世界の両方で実証実験を行った結果、本提案アルゴリズムにより、階段、岩場、滑りやすい床などの困難な地形でも、固有知覚のみで頑健に踏破できることが実証された。また、ベースラインと比較して、より俊敏で、自然で、エネルギー効率に優れた歩行が可能である。本論文では、定性的および定量的な結果を示す。

要約(オリジナル)

Recently, reinforcement learning has become a promising and polular solution for robot legged locomotion. Compared to model-based control, reinforcement learning based controllers can achieve better robustness against uncertainties of environments through sim-to-real learning. However, the corresponding learned gaits are in general overly conservative and unatural. In this paper, we propose a new framework for learning robust, agile and natural legged locomotion skills over challenging terrain. We incorporate an adversarial training branch based on real animal locomotion data upon a teacher-student training pipeline for robust sim-to-real transfer. Empirical results on both simulation and real world of a quadruped robot demonstrate that our proposed algorithm enables robustly traversing challenging terrains such as stairs, rocky ground and slippery floor with only proprioceptive perception. Meanwhile, the gaits are more agile, natural, and energy efficient compared to the baselines. Both qualitative and quantitative results are presented in this paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL