无感知动态负载下双足运动的模拟到真实学习

双足运动研究的最新进展使机器人能够在为人类建造的环境中导航。然而，在现实世界的应用中，机器人通常必须处理和承载各种负载，同时保持稳健的运动。

arXiv.org最近的一篇论文研究了动态负载的运动，例如附加的推车或液体容器。

研究人员研究了强化学习方法来学习许多动态负载的运动策略，除了本体感觉之外没有额外的负载感应。结果表明，使用特定负载进行简单直接的训练足以产生有效的运动，这通常比之前没有负载训练的基础控制器有所改善。

对学习到的负载策略的模拟到真实性能进行了评估，结果表明策略确实成功地转移到了现实世界。

最近关于双足运动模拟到真实学习的工作已经证明了在各种地形上的新水平的鲁棒性和敏捷性。然而，这项工作以及大多数先前的双足运动工作都没有考虑在各种外部负载下的运动，这些外部负载会显着影响整个系统的动力学。在许多应用中，机器人需要在广泛的潜在动态负载下保持稳健的运动，例如拉车或携带大型晃动液体容器，理想情况下不需要额外的负载感应能力。在这项工作中，我们仅使用本体感受反馈来探索动态负载下双足运动的强化学习(RL)和模拟到真实转移的能力。我们表明，先前为空载运动训练的RL策略在某些负载下会失败，并且仅在负载上下文中进行训练就足以产生成功和改进的策略。我们还将针对每个负载的训练专门策略与针对所有考虑负载的单一策略进行比较，并分析生成的步态如何变化以适应不同的负载。最后，我们展示了sim-to-realtransfer，它是成功的，但显示出比之前的空载工作更大的sim-to-real差距，这指向有趣的未来研究。

标签：