Codificación de mapas basados en la atención para el aprendizaje de la locomoción generalizada con piernas

Área de la Ciencia:

• La robótica
• Inteligencia artificial
• Sistemas de control

Sus antecedentes:

• La locomoción dinámica en robots con piernas es crucial para expandir las capacidades de los robots móviles, pero enfrenta desafíos en precisión y robustez en diversos terrenos.
• Los controladores tradicionales basados en modelos carecen de robustez para las incertidumbres del mundo real, mientras que los controladores basados en el aprendizaje pueden carecer de precisión en terrenos escasos.
• Los métodos híbridos combinan enfoques pero son computacionalmente intensivos y limitados por planificadores basados en modelos.

Objetivo del estudio:

• Desarrollar un controlador de locomoción generalizado que sea robusto ante las incertidumbres y preciso en diversos terrenos escasos.
• Aprovechar los mecanismos de atención y el aprendizaje por refuerzo para mejorar la percepción topográfica y la planificación de la posición.
• Para permitir una locomoción dinámica ágil y robusta para robots con piernas en entornos complejos.

Principales métodos:

• Propuso una codificación de mapas basada en la atención condicionada a la propiocepción del robot, entrenada utilizando el aprendizaje por refuerzo.
• Desarrolló un nuevo controlador que integra la percepción topográfica basada en redes neuronales con la planificación dinámica de la locomoción.
• Controladores entrenados para robots cuadrúpedos y humanoides, que demuestran adaptabilidad.

Principales resultados:

• La red basada en la atención aprendió a identificar de manera efectiva las áreas escalonadas para futuros puntos de apoyo durante la navegación dinámica.
• Los comportamientos sintetizados demostraron robustez frente a las incertidumbres y permitieron una travesía precisa y ágil de terrenos escasos.
• El método proporcionó información interpretable sobre la percepción topográfica de la red neuronal.

Conclusiones:

• El controlador basado en la atención propuesto logra una locomoción dinámica generalizada y robusta para robots con patas en terrenos diversos y desafiantes.
• Este enfoque mejora la precisión y la agilidad, superando las limitaciones de los métodos tradicionales y puramente basados en el aprendizaje.
• Las pruebas en el mundo real en robots cuadrúpedos y humanoides validaron la efectividad del controlador en varios escenarios, incluidas las condiciones invisibles.