基于物理的强化学习来控制类似鱼类的游泳机器人的运动

科学领域:

• 机器人技术 机器人技术 机器人技术
• 流体动力学 流体动力学
• 人工智能的人工智能

背景情况:

• 控制类似鱼类的游泳机器人是具有挑战性的,因为复杂的,未建模的流体机器人相互作用.
• 低保真模型未能捕捉到小型,有限的执行机器人的基本物理.
• 深度强化学习 (DRL) 具有潜力,但需要大量,往往无法实现的培训数据.

研究的目的:

• 为了证明基于物理的强化学习对控制鱼类类游泳机器人的实用性.
• 制定DRL政策,以跟踪平面游泳翼飞行器的速度和路径.
• 解决训练DRL代理人机器人游泳者的数据和计算挑战.

主要方法:

• 使用了由初级物理学的替代模型作为DLR代理培训的起点.
• 实施了课程学习方法,最初在非全方位系统上进行培训,然后转移到更高可靠性的模拟.
• 训练了一名DRL代理人,用于跟踪平面游泳的刚性Joukowski翼机的速度和路径.

主要成果:

• 基于物理的强化学习成功训练了运动控制的DRL策略.
• 训练有素的政策使鱼类机器人能够有效地实现速度和路径跟踪.
• 基于课程的方法在训练具有复杂流体动态的DRL代理时被证明是有效的.

结论:

• 基于物理的强化学习是一种可行且高效的控制鱼类游泳机器人的方法.
• 这种方法减轻了对过度模拟的需求,并解决了复杂的流体体相互作用.
• 该研究强调了DRL在非结构化环境中用于先进机器人机动的潜力.