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

要約

最近、強化学習はロボットの脚移動に対する有望かつ人気のあるソリューションとなっています。
モデルベースの制御と比較して、強化学習ベースのコントローラーは、シミュレーションからリアルへの学習を通じて、環境の不確実性に対して優れたロバスト性を実現できます。
しかし、対応する学習された歩行は一般に過度に保守的で不自然です。
この論文では、困難な地形上で堅牢かつ機敏で自然な脚の移動スキルを学習するための新しいフレームワークを提案します。
実際の動物の移動データに基づく敵対的トレーニング ブランチを教師と生徒のトレーニング パイプラインに組み込んで、シミュレーションからリアルへの確実な移行を実現します。
四足ロボットのシミュレーションと現実世界の両方に関する経験的結果は、私たちが提案したアルゴリズムが、固有受容知覚のみで、階段、岩だらけの地面、滑りやすい床などの困難な地形を確実に移動できることを示しています。
一方、ベースラインと比較して、歩行はより機敏で自然で、エネルギー効率が高くなります。
この文書では、定性的結果と定量的結果の両方が示されています。

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, Google