Learning to Adapt: Bio-Inspired Gait Strategies for Versatile Quadruped Locomotion

要約

深層強化学習 (DRL) は四足歩行ロボットの移動に革命をもたらしましたが、既存の制御フレームワークはトレーニングによる観察範囲を超えて一般化するのに苦労しており、適応性が限られています。
対照的に、動物は、歩行移行戦略、多様な歩行利用、当面の環境要求へのシームレスな調整を通じて、優れた適応性を達成します。
これらの機能に触発されて、我々は、動物の移動の主要な属性である歩行遷移戦略、擬似歩行手順記憶、適応動作調整を組み込んだ新しい DRL フレームワークを提案します。
このアプローチにより、当社のフレームワークは比類のない適応性を実現でき、複雑な地形でのブラインド ゼロショット展開や、極めて不安定な状態からの回復を通じて実証されています。
私たちの発見は、動物の移動の生体力学に関する貴重な洞察を提供し、堅牢で適応性のあるロボット システムへの道を開きます。

要約(オリジナル)

Deep reinforcement learning (DRL) has revolutionised quadruped robot locomotion, but existing control frameworks struggle to generalise beyond their training-induced observational scope, resulting in limited adaptability. In contrast, animals achieve exceptional adaptability through gait transition strategies, diverse gait utilisation, and seamless adjustment to immediate environmental demands. Inspired by these capabilities, we present a novel DRL framework that incorporates key attributes of animal locomotion: gait transition strategies, pseudo gait procedural memory, and adaptive motion adjustments. This approach enables our framework to achieve unparalleled adaptability, demonstrated through blind zero-shot deployment on complex terrains and recovery from critically unstable states. Our findings offer valuable insights into the biomechanics of animal locomotion, paving the way for robust, adaptable robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google