Avanzamenti nel salto per robot quadrupedi
Un nuovo metodo insegna ai robot quadrupedi a saltare in modo efficace in diverse direzioni.
― 5 leggere min
Indice
Saltare è una skill importante per i robot a zampe. Permette loro di attraversare terreni difficili, come zone con grandi spazi vuoti o cambiamenti repentini di altezza. I progressi recenti hanno reso i robot più veloci e affidabili, ma molti si sono concentrati soprattutto sulla camminata. Saltare è ancora un compito duro perché i robot devono affrontare molti cambiamenti su dove si trovano le loro zampe e come si muovono in aria. Questo articolo parla di un nuovo modo per aiutare i robot quadrupedi a saltare meglio.
La Sfida del Salto
Quando un robot salta, tutte le sue zampe lasciano il terreno contemporaneamente, creando una fase in cui non tocca la superficie. Questa fase consente al robot di coprire grandi distanze senza fermarsi, il che è fondamentale per affrontare terreni impegnativi. La maggior parte delle tecniche esistenti gestisce principalmente la camminata, quindi i robot non sono addestrati abbastanza per salti lunghi. Tradizionalmente, creare un buon piano di salto richiede molto tempo e progettazione accurata.
Il Nostro Approccio
Per superare queste sfide, abbiamo creato un sistema intelligente che insegna ai robot quadrupedi come saltare in molte direzioni e distanze. Il sistema combina due metodi principali: controllo ottimale e Apprendimento per rinforzo.
Controllore di Postura: Questa parte calcola come il robot dovrebbe tenere il corpo mentre salta. Usa una combinazione di un controllore progettato in modo semplice e una parte appresa per migliorare la stabilità. Il controllore semplice avvia il processo di apprendimento, aiutando il robot ad imparare più velocemente e con meno rumore.
Controllore del Corpo Intero: Questa parte si occupa di tutti i movimenti del corpo del robot. Traduce i comandi del controllore di postura in azioni per i motori del robot.
Dopo l'addestramento in un ambiente simulato, il nostro metodo può essere usato direttamente su un robot reale. Permette diversi stili di salto, inclusi salti fino a 50 centimetri di altezza, 60 centimetri in avanti, o anche girare in aria fino a 90 gradi.
I Vantaggi del Salto
Saltare consente ai robot a zampe di coprire grandi spazi vuoti e affrontare cambiamenti di altezza in modo efficace. A differenza della camminata, dove i piedi rimangono a terra, saltare permette a un robot di percorrere distanze senza contatto con il terreno. Questo è particolarmente utile in aree rocciose o irregolari.
Combinare Controllo e Apprendimento
Per aiutare il robot a imparare a saltare bene, abbiamo combinato metodi di controllo tradizionali con nuove strategie di apprendimento. Le strategie attuali spesso assumono un modello semplice di come si muove il robot, che funziona per la camminata ma fallisce in movimenti complessi come il salto. Il nostro metodo consente al robot di rispondere meglio a cambiamenti improvvisi mentre è in aria.
Il controllore di postura gioca un ruolo chiave in questo sistema. Calcola la posizione desiderata del corpo necessaria per saltare fondendo le uscite sia dal controllore di accelerazione che dalla politica appresa. Iniziando con il controllore di accelerazione, creiamo un processo di addestramento più pulito che porta a migliori prestazioni nel salto.
Addestramento in Simulazione
Abbiamo addestrato il nostro sistema usando una versione simulata del robot quadrupede Go1. Durante l'addestramento, il framework ha imparato a saltare in modo continuo e preciso in molte direzioni. Il sistema consente anche aggiustamenti in tempo reale basati su diversi obiettivi di atterraggio.
Per ogni sessione di addestramento, abbiamo impostato compiti specifici di salto. Il robot pratica il salto in varie direzioni, il che lo aiuta ad adattarsi rapidamente a nuove situazioni.
Prestazioni nel Mondo Reale
Dopo l'addestramento, abbiamo trasferito il nostro sistema al robot reale senza necessità di ulteriori aggiustamenti. Il robot Go1 ha completato con successo numerosi salti alti in diverse direzioni. Nei test reali, il robot ha raggiunto altezze e distanze notevoli.
Anche se le prestazioni nel mondo reale erano leggermente inferiori rispetto alla simulazione, questo è un fenomeno comune a causa di fattori non considerati nell'ambiente reale, come le limitazioni dei motori.
Confronto dei Metodi
Per assicurarci che il nostro approccio funzioni, lo abbiamo testato contro altri metodi di addestramento. Abbiamo rimosso o la politica appresa o il controllore di accelerazione per vedere come si comportava il sistema senza una delle sue parti. Abbiamo anche provato un approccio comune di apprendimento per rinforzo che fornisce direttamente comandi ai motori.
La nostra analisi ha mostrato che il sistema che usa il controllore di postura con la politica appresa ha costantemente superato gli altri metodi. Non solo saltava più in alto, ma raggiungeva anche una migliore stabilità durante i salti.
Conclusione
Saltare è una skill cruciale per i robot a zampe. Il nostro approccio innovativo combina tecniche di controllo tradizionali con metodi avanzati di apprendimento per insegnare ai robot come saltare in modo continuo ed efficace. Il sistema addestrato passa direttamente dalla simulazione alla vita reale, consentendo salti in qualsiasi direzione e altezza.
Anche se il nostro lavoro attuale supporta un tipo di movimento di salto, crediamo che aggiungere più variazioni potrebbe migliorare le prestazioni. La ricerca futura esplorerà anche come dotare i robot della capacità di percepire l'ambiente circostante, permettendo loro di affrontare terreni difficili da soli.
Direzioni Future
Abbiamo intenzione di esplorare più andature di salto, come il saltellare o il galoppare, per massimizzare le abilità di salto del robot. Integrare il feedback sensoriale aiuterà il robot a capire meglio il suo ambiente e prendere decisioni più efficaci su quando e dove saltare. Questo spingerà i limiti di ciò che i robot a zampe possono raggiungere in vari ambienti impegnativi.
Titolo: Continuous Versatile Jumping Using Learned Action Residuals
Estratto: Jumping is essential for legged robots to traverse through difficult terrains. In this work, we propose a hierarchical framework that combines optimal control and reinforcement learning to learn continuous jumping motions for quadrupedal robots. The core of our framework is a stance controller, which combines a manually designed acceleration controller with a learned residual policy. As the acceleration controller warm starts policy for efficient training, the trained policy overcomes the limitation of the acceleration controller and improves the jumping stability. In addition, a low-level whole-body controller converts the body pose command from the stance controller to motor commands. After training in simulation, our framework can be deployed directly to the real robot, and perform versatile, continuous jumping motions, including omni-directional jumps at up to 50cm high, 60cm forward, and jump-turning at up to 90 degrees. Please visit our website for more results: https://sites.google.com/view/learning-to-jump.
Autori: Yuxiang Yang, Xiangyun Meng, Wenhao Yu, Tingnan Zhang, Jie Tan, Byron Boots
Ultimo aggiornamento: 2023-04-17 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2304.08663
Fonte PDF: https://arxiv.org/pdf/2304.08663
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.