Learning an Adaptive Fall Recovery Controller for Quadrupeds on Complex Terrains

要約

脚式ロボットは移動が複雑な環境で有望であることが示されていますが、困難な地形での転倒からの回復は依然として大きなハードルとなっています。
この論文では、岩場、鯛、急な斜面、不規則な石などの困難な地形における四足歩行ロボット用の適応型転倒回復 (AFR) コントローラーについて説明します。
深層強化学習を活用して、広範囲の地形形状や物理的特性に適応できる AFR をトレーニングします。
私たちの方法は既存のアプローチよりも改善されており、困難な地形での回復シナリオで有望な結果を示しています。
私たちは Isaac Gym で Go1 を使用してメソッドをトレーニングし、それを Spot や ANYmal などのいくつかの主流の四足歩行プラットフォームに直接転送しました。
さらに、Gazebo でのコントローラーの有効性を検証しました。
私たちの結果は、AFR コントローラーが複雑な地形によく適応し、成功率と回復速度の点でベースライン手法を上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Legged robots have shown promise in locomotion complex environments, but recovery from falls on challenging terrains remains a significant hurdle. This paper presents an Adaptive Fall Recovery (AFR) controller for quadrupedal robots on challenging terrains such as rocky, breams, steep slopes, and irregular stones. We leverage deep reinforcement learning to train the AFR, which can adapt to a wide range of terrain geometries and physical properties. Our method demonstrates improvements over existing approaches, showing promising results in recovery scenarios on challenging terrains. We trained our method in Isaac Gym using the Go1 and directly transferred it to several mainstream quadrupedal platforms, such as Spot and ANYmal. Additionally, we validated the controller’s effectiveness in Gazebo. Our results indicate that the AFR controller generalizes well to complex terrains and outperforms baseline methods in terms of success rate and recovery speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google