在四腿机器人强化学习过程中,肢体段长度变化的影响分析
Arkadiusz Kubacki1, Marcin Adamek2, Piotr Baran2
1Division of Mechatronic Devices, Institute of Mechanical Technology, Poznan University of Technology, 60-965, Poznan, Poland. arkadiusz.kubacki@put.poznan.pl.
Scientific reports
|November 14, 2024
概括
这项研究利用人工智能和强化学习优化了四足机器人运动. 最好的四肢配置实现了更高的奖励功能,证明了爬行机器人的训练效率提高.
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
- 生物力学 生物力学
背景情况:
- 爬行机器人提供优势,但具有复杂的运动机制.
- 人工智能,特别是强化学习,可以简化机器人运动训练.
- 精确的3D模型与精确的机械参数对于将虚拟培训转化为现实世界的应用至关重要.
研究的目的:
- 研究不同肢体配置对四足机器人强化学习过程的影响.
- 为了确定最佳的四肢参数,以开发高效的运动算法.
- 分析各种灵感来自生物运动的动力学模型的有效性.
主要方法:
- 分析行走机器人的运动类型,从哺乳动物,爬行动物和昆虫解剖学中汲取灵感.
- 选择爬行动物模型,以平衡其稳定性,动态性和能源效率.
- 准备机器人模型并使用强化学习的ML-Agents工具包配置Unity3D开发环境.
主要成果:
- 这项研究研究了四足机器人的不同肢体长度如何影响训练结果.
- 默认配置,以相同的大腿和小腿长度,产生了最高的奖励功能 (883.9) 和情节长度 (245.5).
- 最低效的配置是最短的大腿和最长的小腿骨,导致奖励功能显著降低 (526.2) 并未达到预期的目标.
结论:
- 肢体配置极大地影响了四足机器人强化学习的成功.
- 默认的四肢配置被证明是开发强大的运动算法最有效的.
- 优化机械参数对于高效的AI驱动机器人运动至关重要.
