Extreme Parkour with Legged Robots

要約

人間は、正確な眼筋の調整と動きを必要とする非常にダイナミックな方法で障害物を横切ることでパルクールを実行できます。
ロボットに同じタスクを実行させるには、同様の課題を克服する必要があります。
古典的に、これは、認識、作動、および制御システムを非常に低い許容誤差で個別に設計することによって行われます。
これにより、実験室の事前に設定された障害物コースなど、厳密に制御された設定に制限されます。
対照的に、人間は基礎的な生物学を大きく変えることなく、練習を通じてパルクールを学ぶことができます。
この論文では、不正確な作動と、低周波数でジッターが多く、アーティファクトが発生しやすい認識用の単一の正面深度カメラを備えた小型の低コスト ロボットでロボット パルクールを開発するために、同様のアプローチを採用します。
大規模な RL を使用したシミュレーションでトレーニングされた、カメラ画像から直接動作する単一のニューラル ネットワーク ポリシーが、不正確なセンシングと作動を克服して高精度の制御動作をエンドツーエンドで出力する方法を示します。
私たちのロボットが、高さの 2 倍の障害物でハイジャンプを実行したり、長さの 2 倍のギャップを越えてロングジャンプを実行したり、逆立ちをしたり、傾斜したランプを横切ったり、さまざまな物理的特性を持つ新しい障害物コースに一般化できることを示します。
パルクールビデオ: https://extreme-parkour.github.io/

要約(オリジナル)

Humans can perform parkour by traversing obstacles in a highly dynamic fashion requiring precise eye-muscle coordination and movement. Getting robots to do the same task requires overcoming similar challenges. Classically, this is done by independently engineering perception, actuation, and control systems to very low tolerances. This restricts them to tightly controlled settings such as a predetermined obstacle course in labs. In contrast, humans are able to learn parkour through practice without significantly changing their underlying biology. In this paper, we take a similar approach to developing robot parkour on a small low-cost robot with imprecise actuation and a single front-facing depth camera for perception which is low-frequency, jittery, and prone to artifacts. We show how a single neural net policy operating directly from a camera image, trained in simulation with large-scale RL, can overcome imprecise sensing and actuation to output highly precise control behavior end-to-end. We show our robot can perform a high jump on obstacles 2x its height, long jump across gaps 2x its length, do a handstand and run across tilted ramps, and generalize to novel obstacle courses with different physical properties. Parkour videos at https://extreme-parkour.github.io/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google