Learning Decentralized Multi-Biped Control for Payload Transport

要約

多輪ロボットキャリアを使用した平坦な地形でのペイロードの輸送はよく理解されており、非常に効率的であり、構成可能です。
この論文では、私たちの目標は、車輪ではなく脚により適した、起伏の多い地形での輸送に同様の有効性と構成可能性を提供することです。
この目的のために、車輪をキャリアに取り付けられた複数の二足歩行ロボットに置き換えた多二足ロボットキャリアを検討します。
私たちの主な貢献は、再トレーニングすることなく、さまざまな数と構成のしっかりと取り付けられた二足歩行ロボットに効果的に適用できる、このようなシステム用の分散型コントローラーを設計することです。
現実世界への移行をサポートするシミュレーションでコントローラーをトレーニングするための強化学習アプローチを紹介します。
シミュレーションにおける私たちの実験は、シミュレートされたさまざまな輸送シナリオに対するアプローチの有効性を示す定量的な指標を提供します。
さらに、2 台および 3 台の Cassie ロボットで構成されるシステムのコントローラーを現実世界で実証します。
私たちの知る限り、これはスケーラブルな複数二足歩行ペイロード輸送システムの最初の例です。

要約(オリジナル)

Payload transport over flat terrain via multi-wheel robot carriers is well-understood, highly effective, and configurable. In this paper, our goal is to provide similar effectiveness and configurability for transport over rough terrain that is more suitable for legs rather than wheels. For this purpose, we consider multi-biped robot carriers, where wheels are replaced by multiple bipedal robots attached to the carrier. Our main contribution is to design a decentralized controller for such systems that can be effectively applied to varying numbers and configurations of rigidly attached bipedal robots without retraining. We present a reinforcement learning approach for training the controller in simulation that supports transfer to the real world. Our experiments in simulation provide quantitative metrics showing the effectiveness of the approach over a wide variety of simulated transport scenarios. In addition, we demonstrate the controller in the real-world for systems composed of two and three Cassie robots. To our knowledge, this is the first example of a scalable multi-biped payload transport system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google