使用深度强化学习的腿式机器人在低重力下的猫式跳跃和着陆

四足机器人在类地重力条件下使用时，姿态控制主要是通过与地面的反作用力来实现的。腿式机器人也非常适合行星探索。在那里，低重力条件需要新的运动模型。

SpaceBok 机器人利用脚的惯性来控制方向。平行腿配置允许高扭矩跳跃和着陆，使脚在垂直平面上有两个度数。图片来源：Rudin, N. 等人，DOI 10.1109/TRO.2021.3084374

最近的一项研究提出了一种可以仅使用四肢控制其方向的机器人。这种方法的灵感来自猫在跌倒后如何安全地重新站起来。强化学习用于教机器人执行多种不同复杂性的任务，从在自由漂浮中达到给定的俯仰角到模拟降落在小行星上。

该方法端到端地解决任务，而无需使用预定义的轨迹。对物理机器人的广泛测试验证了二维任务，并且可以缩放到三维甚至任意形状的地形。

在本文中，我们展示了学习策略可用于解决具有广泛飞行阶段的腿式运动控制任务，例如在太空探索中遇到的任务。使用现成的深度强化学习算法，我们训练了一个神经网络来控制跳跃的四足机器人，同时仅使用其四肢进行姿态控制。我们提出了越来越复杂的任务，导致四足机器人穿越模拟低重力天体的三维(重新)定向和着陆运动行为的组合。我们表明，我们的方法可以轻松地概括这些任务，并成功地为每个案例训练策略。使用模拟到真实的传输，我们在放置在专为二维微重力实验设计的实验台上的 SpaceBok 机器人上，在现实世界中部署训练有素的策略。实验结果表明，具有自然敏捷性的重复、受控的跳跃和着陆是可能的。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！