Fugu-MT 論文翻訳(概要): Rapid Locomotion via Reinforcement Learning

論文の概要: Rapid Locomotion via Reinforcement Learning

arxiv url: http://arxiv.org/abs/2205.02824v1
Date: Thu, 5 May 2022 17:55:11 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 15:56:28.270484
Title: Rapid Locomotion via Reinforcement Learning
Title（参考訳）: 強化学習による迅速な移動
Authors: Gabriel B Margolis, Ge Yang, Kartik Paigwar, Tao Chen and Pulkit Agrawal
Abstract要約: 我々はMIT Mini Cheetahで記録的な俊敏性を実現するエンドツーエンドの学習コントローラを提案する。このシステムは、草、氷、砂利などの自然の地形で速く動き、乱れに強く反応する。
参考スコア（独自算出の注目度）: 15.373208553045416
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agile maneuvers such as sprinting and high-speed turning in the wild are challenging for legged robots. We present an end-to-end learned controller that achieves record agility for the MIT Mini Cheetah, sustaining speeds up to 3.9 m/s. This system runs and turns fast on natural terrains like grass, ice, and gravel and responds robustly to disturbances. Our controller is a neural network trained in simulation via reinforcement learning and transferred to the real world. The two key components are (i) an adaptive curriculum on velocity commands and (ii) an online system identification strategy for sim-to-real transfer leveraged from prior work. Videos of the robot's behaviors are available at: https://agility.csail.mit.edu/
Abstract（参考訳）: スプリントやワイルドでの高速回転といったアジャイルの操作は、脚のあるロボットにとって難しい。我々は、MIT Mini Cheetahで記録的な俊敏性を達成し、最大3.9m/sの速度を持続するエンドツーエンドの学習コントローラを提案する。このシステムは、草、氷、砂利などの自然の地形で速く動き、乱れに強く反応する。私たちのコントローラは、強化学習によるシミュレーションでトレーニングされたニューラルネットワークで、現実世界に転送されます。 2つの重要な要素は (i)速度指令の適応カリキュラムと (ii)先行研究から活用したsim-to-real転送のためのオンラインシステム識別戦略。ロボットの動作のビデオは、https://agility.csail.mit.edu/で見ることができる。

関連論文リスト

Impedance Matching: Enabling an RL-Based Running Jump in a Quadruped Robot [7.516046071926082]
シミュレーションロボットと現実ロボットのギャップを軽減するための新しい枠組みを提案する。本フレームワークはパラメータ選択のための構造化ガイドラインとシミュレーションにおける動的ランダム化の範囲を提供する。結果は、我々の知る限り、実四足歩行ロボットにおいて、RLベースの制御ポリシーによって実証された最も高く、最も長いジャンプの1つです。
論文参考訳（メタデータ） (2024-04-23T14:52:09Z)
Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文参考訳（メタデータ） (2024-01-30T10:48:43Z)
Generalized Animal Imitator: Agile Locomotion with Versatile Motion Prior [14.114972332185044]
本稿では,様々なアジャイルロコモーションタスクを組み込んだ強化学習フレームワークであるVersatile Motion Prior (VIM)を紹介する。本フレームワークは,動物の動作や手作業による動作を模倣することにより,多様なアジャイルの低レベルスキルを学習することを可能にする。シミュレーション環境と実環境の両方にまたがるVIMフレームワークの評価を行った。
論文参考訳（メタデータ） (2023-10-02T17:59:24Z)
Barkour: Benchmarking Animal-level Agility with Quadruped Robots [70.97471756305463]
脚付きロボットのアジリティを定量化するための障害物コースであるBarkourベンチマークを導入する。犬の機敏性の競争に触発され、様々な障害と時間に基づくスコアリング機構から構成される。ベンチマークに対処する2つの方法を提案する。
論文参考訳（メタデータ） (2023-05-24T02:49:43Z)
Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文参考訳（メタデータ） (2023-04-19T17:37:54Z)
Learning fast and agile quadrupedal locomotion over complex terrain [0.3806109052869554]
本研究は,視覚障害者用4足歩行ロボットにおいて,自然かつ安定に高速な移動を実現する頑健な制御器を提案する。モデルレス強化学習によりシミュレーション環境で学習する。我々の制御器は優れた反ゆらぎ性能を有し、学習したことのない移動速度に到達できる優れた一般化能力を有する。
論文参考訳（メタデータ） (2022-07-02T11:20:07Z)
Learning Semantics-Aware Locomotion Skills from Human Demonstration [35.996425893483796]
四足歩行ロボットの知覚からセマンティクスを意識したロコモーションスキルを学習するフレームワークを提案する。本フレームワークは,認識された地形意味に基づいてロボットの速度と歩行を調整し,失敗することなく6km以上歩けるようにする。
論文参考訳（メタデータ） (2022-06-27T21:08:03Z)
Fast and Efficient Locomotion via Learned Gait Transitions [35.86279693549959]
四足歩行ロボットのための効率的な制御器の開発に焦点をあてる。特徴ある移動経路と自然な歩行遷移が自動的に現れる階層的学習フレームワークを考案する。学習した階層型コントローラは,ベースラインコントローラよりも広い移動速度でエネルギーを消費することがわかった。
論文参考訳（メタデータ） (2021-04-09T23:53:28Z)
Learning Quadrupedal Locomotion over Challenging Terrain [68.51539602703662]
足の移動はロボティクスの操作領域を劇的に拡張することができる。足の移動のための従来のコントローラーは、運動プリミティブと反射の実行を明示的にトリガーする精巧な状態マシンに基づいている。ここでは、自然環境に挑戦する際の足の移動に対して、徹底的に頑健な制御器を提案する。
論文参考訳（メタデータ） (2020-10-21T19:11:20Z)
Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
論文参考訳（メタデータ） (2020-04-02T02:56:16Z)
Learning to Walk in the Real World with Minimal Human Effort [80.7342153519654]
我々は,人間の努力を最小限に抑えて,現実世界の深いRLを用いた足の移動ポリシーを学習するシステムを開発した。人間の介入がほとんどないミニチュアロボットにおいて,ロボットの移動スキルを自動的かつ効率的に学習することができる。
論文参考訳（メタデータ） (2020-02-20T03:36:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。