BriefGPT - AI 论文速递
·
通过分散相位振荡器学习新兴步态：关于观察、奖励和反馈的作用
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种方法，将中心模式发生器（CPG）整合到深度强化学习（DRL）框架中，以产生稳健且全向的四足动物运动。模型可以调节振荡器的振幅和频率，并协调不同振荡器间的行为。通过 sim-to-real 转移至 Unitree A1 进行测试，发现模型行为的鲁棒性优于训练时未见过的干扰。该方法可以在没有领域随机化和少量反馈的情况下进行部署。
🎯
关键要点
- 提出了一种将中心模式发生器（CPG）整合到深度强化学习（DRL）框架中的方法。
- 该模型能够调节振荡器的振幅和频率，并协调不同振荡器间的行为。
- 模型在模拟训练后，通过 sim-to-real 转移至 Unitree A1 进行测试。
- 测试结果显示模型在面对未见过的干扰时表现出更好的鲁棒性。
- 动态添加的负载为 13.75 公斤，代表 115% 的名义四足动物质量。
- 框架可以在没有领域随机化和少量反馈的情况下进行部署，提供振荡器状态和触点布尔值。
➡️
