Adaptive Control Strategy for Quadruped Robots in Actuator Degradation Scenarios

要約

四足ロボットは極限環境への高い適応力を持っていますが、障害が発生する可能性もあります。
これらの障害が発生すると、ロボットは作業に戻る前に修理する必要があり、実際の実現可能性は低くなります。
これらの障害の中で一般的な懸念事項の 1 つは、デバイスの老朽化や予期しない動作イベントなどの要因に起因するアクチュエータの劣化です。
従来、この問題への対処は複雑なフォールトトレラント設計に大きく依存していましたが、開発者には深い専門知識が必要であり、汎用性に欠けていました。
学習ベースのアプローチは、これらの制限を軽減する効果的な方法を提供しますが、そのような方法を現実世界の四足ロボットに効果的に導入するには研究ギャップが存在します。
この論文では、この研究ギャップに対処することを目的とした、Actuator Degradation Adaptation Transformer (ADAPT) と呼ばれる、強化学習に根ざした先駆的な教師と生徒のフレームワークを紹介します。
このフレームワークは統合された制御戦略を生み出し、ロボットが突然の関節アクチュエーターの故障にもかかわらず、内部センサーのみに依存して移動を維持し、タスクを実行できるようにします。
Unitree A1 プラットフォームでの実証的評価により、現実世界の四足歩行ロボットに対する Adapt の展開可能性と有効性が検証され、私たちのアプローチの堅牢性と実用性が確認されました。

要約(オリジナル)

Quadruped robots have strong adaptability to extreme environments but may also experience faults. Once these faults occur, robots must be repaired before returning to the task, reducing their practical feasibility. One prevalent concern among these faults is actuator degradation, stemming from factors like device aging or unexpected operational events. Traditionally, addressing this problem has relied heavily on intricate fault-tolerant design, which demands deep domain expertise from developers and lacks generalizability. Learning-based approaches offer effective ways to mitigate these limitations, but a research gap exists in effectively deploying such methods on real-world quadruped robots. This paper introduces a pioneering teacher-student framework rooted in reinforcement learning, named Actuator Degradation Adaptation Transformer (ADAPT), aimed at addressing this research gap. This framework produces a unified control strategy, enabling the robot to sustain its locomotion and perform tasks despite sudden joint actuator faults, relying exclusively on its internal sensors. Empirical evaluations on the Unitree A1 platform validate the deployability and effectiveness of Adapt on real-world quadruped robots, and affirm the robustness and practicality of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google