一个平行异质的政策深度强化学习算法用于双脚行走运动设计
Chunguang Li1, Mengru Li2, Chongben Tao2
1School of Computer and Information Engineering, Changzhou Institute of Technology, Changzhou, Jiangsu, China.
Frontiers in neurorobotics
|August 24, 2023
概括
这项研究介绍了一种新的深度强化学习算法,用于优化双脚机器人的步态. 拟议的方法可以在各种环境中提高双脚机器人的步行速度和稳定性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 控制系统 控制系统
背景情况:
- 由于复杂的动力学和非线性特征,双轴机器人运动带来了重大挑战.
- 现有的步态优化方法在各种环境和机器人模型中难以适应.
研究的目的:
- 为双脚机器人开发一个高效和强大的步态优化算法.
- 为了提高双足机器人的步行速度,稳定性和适应性,在各种条件下.
主要方法:
- 一个平行异质的政策深度强化学习 (DRL) 算法,利用深度决定性政策梯度 (DDPG) 架构.
- 实施共享网络以提高培训效率和异质经验重复,以优化经验利用.
- 基于正弦曲线的周期性步态设计,结合脚升高高度,步行周期,速度和地面接触力.
主要成果:
- 拟议的DRL算法成功优化了双脚机器人的步态,从而实现更快的运动速度.
- 实验结果表明,在不同的环境和机器人模型中,步行稳定性得到了显著改善.
- 统一的步态优化框架在RoboCup3D平台上的各种模拟场景中被证明是有效的.
结论:
- 开发的并行异质DRL方法为双脚机器人步行优化提供了强大的解决方案.
- 该方法增强了关键性能指标,使双脚机器人更为实用,用于现实世界的应用.
- 统一的框架为未来的双脚运动研究提供了一个多功能平台.
