对于四足机器人来说,等级增强学习:在受限制的环境中高效地操纵对象.
David Azimi1, Reza Hoseinnezhad2
1School of Information Technology, Deakin University, Victoria 3125, Australia.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了四足机器人执行对象操纵的等级强化学习 (RL) 框架. 传感器驱动的方法提高了现实世界的部署在混乱的空间高精度和效率.
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:
- 四足机器人需要先进的操纵能力来完成现实世界的任务.
- 在混乱的环境中运行对机器人导航和操纵提出了重大挑战.
- 现有的控制结构往往在适应性和计算效率方面面临限制.
研究的目的:
- 引入一个新的等级强化学习 (RL) 框架,用于四足机器人对象操纵.
- 开发一种传感器驱动的控制结构,以在密集,混乱的环境中提供强大的操作.
- 优化决策使用新的,基于传感器的奖励功能,以提高适应性和效率.
主要方法:
- 实施一个层次化的强化学习 (RL) 框架.
- 开发一个采用传感器驱动的控制架构,包括避开障碍物.
- 设计一种新的奖励功能,利用基于传感器的障碍数据.
- 在NVIDIA Isaac Sim中进行的模拟实验,使用ANYbotics的四足机器人.
主要成果:
- 实现了高对象操纵精度,平均定位误差为11厘米.
- 在物体-目标距离高达10米的范围内成功运行.
- 在复杂,充满障碍的环境中有效整合路径规划.
- 展示了节能和稳定的机器人操作.
结论:
- 拟议的RL框架为四足机器人对象操纵提供了多功能和高效的解决方案.
- 传感器驱动的方法在现实世界中增强了稳健性和适应性,混乱的场景.
- 这一框架代表了实际机器人应用的重大进步,要求精确性和效率.


