使用可重新配置的机器人四肢通过强化学习弥合运动和操纵
Haoran Sun1,2, Linhan Yang1,2, Yuping Gu1,2
1Department of Mechanical and Energy Engineering, Southern University of Science and Technology, Shenzhen 518055, China.
Biomimetics (Basel, Switzerland)
|August 25, 2023
概括
这项研究统一了使用强化学习 (RL) 的机器人运动和操纵. 数据驱动的证据表明,在物理机器人上演示的这些任务之间的技能可转移性.
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
- 机器学习 机器学习
背景情况:
- 运动和操纵是机器人关键技能,通常是单独研究的.
- 在双腿运动和多指操纵之间存在着拓学上的二元性.
- 缺乏数据驱动的证据来证明这种二元化和统一的技能学习.
研究的目的:
- 通过强化学习 (RL) 探索局部操纵问题的统一表述.
- 在单一的RL政策中,研究机动和操纵技能的可转移性.
- 为统一的局部操作提供数据驱动的证据,并证明Sim2Real传输.
主要方法:
- 利用过度约束的机器人四肢设计重新配置成多腿和多指头机器人.
- 实施了辅助学习的联合培训架构,以制定统一的局部操纵政策.
- 为RL政策采用多层感知器 (MLP) 和图形神经网络 (GNN) 架构.
主要成果:
- 发现了基于数据的证据,支持使用单一的RL政策在机动和操纵之间转移技能.
- 在物理机器人原型上证明了成功的Sim2Real转移所学到的 loco-manipulation技能.
- 在一个新的平台上通过实验结果验证了统一的配方.
结论:
- 这项研究提供了强有力的基于学习的证据,证明了局部操纵技能的可转移性.
- 统一的RL方法有效地解决了机动和操纵任务.
- 这些发现为开发更具多功能性和适应性的机器人系统开辟了新的途径.
