FALCON——力自适应RL框架：上下双智能体(上肢操作策略、下肢行走策略)共享本体感觉和命令，然后联合训练
💡
原文中文，约12400字，阅读约需30分钟。
📝
内容提要
本文介绍了FALCON，一个双智能体强化学习框架，旨在提高人形机器人在复杂任务中的力自适应能力。通过解耦上下肢学习并共享本体感知，FALCON在搬运、拉车和开门等任务中表现出更好的适应性和稳定性，优于现有方法。然而，FALCON仍需克服多接触交互和外部力矩的局限性。
🎯
关键要点
- FALCON是一个双智能体强化学习框架，旨在提高人形机器人在复杂任务中的力自适应能力。
- FALCON通过解耦上下肢学习并共享本体感知，在搬运、拉车和开门等任务中表现出更好的适应性和稳定性。
- 现有的强化学习方法在高强度行走与操作任务中面临根本性挑战，FALCON旨在解决这些问题。
- FALCON采用双智能体学习分解方法，将下肢和上肢的策略训练分离，分别采用定制奖励。
- FALCON通过三维力课程和关节扭矩限制进行训练，实现了在力行走-操作任务中的高效联合训练。
- FALCON在Unitree G1和Booster T1人形机器人上验证了其泛化能力。
- FALCON的双智能体框架通过共享本体感觉和指令进行联合训练，避免了智能体的孤立适应。
- FALCON在力自适应方面表现出色，但仍需克服多接触交互和外部力矩的局限性。
- FALCON在训练收敛速度、跟踪误差降低和多种力场环境下的稳定性方面优于现有方法。
- 未来研究方向包括引入多接触推理和力矩自适应策略，以解决FALCON的局限性。
➡️
