Agiles kontinuierliches Springen in diskontinuierlichen Geländen

Agile Continuous Jumping in Discontinuous Terrains

September 17, 2024

Autoren: Yuxiang Yang, Guanya Shi, Changyi Lin, Xiangyun Meng, Rosario Scalise, Mateo Guaman Castro, Wenhao Yu, Tingnan Zhang, Ding Zhao, Jie Tan, Byron Boots

cs.AI

Zusammenfassung

Wir konzentrieren uns auf das agile, kontinuierliche und geländeadaptive Springen von vierbeinigen Robotern in diskontinuierlichen Geländearten wie Treppen und Trittsteinen. Im Gegensatz zum Einzelsprung erfordert das kontinuierliche Springen die präzise Ausführung hochdynamischer Bewegungen über lange Horizonte, was für bestehende Ansätze eine Herausforderung darstellt. Um diese Aufgabe zu bewältigen, entwerfen wir einen hierarchischen Lern- und Steuerungsrahmen, der aus einem erlernten Höhenkarten-Vorhersager für robuste Geländewahrnehmung, einer auf Verstärkungslernen basierenden Bewegungsrichtlinie auf Zentroidenebene für vielseitige und geländeadaptive Planung sowie einem auf Modellen basierenden Beinsteuergerät auf Niedrigstebene für präzises Bewegungstracking besteht. Darüber hinaus minimieren wir die Lücke zwischen Simulation und Realität durch genaue Modellierung der Hardwareeigenschaften. Unser Rahmen ermöglicht es einem Unitree Go1-Roboter, agil und kontinuierlich auf menschengroßen Treppen und vereinzelten Trittsteinen zu springen, soweit uns bekannt ist, zum ersten Mal. Insbesondere kann der Roboter bei jedem Sprung zwei Treppenstufen überqueren und eine 3,5 m lange, 2,8 m hohe, 14-stufige Treppe in 4,5 Sekunden bewältigen. Darüber hinaus übertrifft dieselbe Richtlinie Baselines in verschiedenen anderen Parkour-Aufgaben, wie dem Überspringen einzelner horizontaler oder vertikaler Diskontinuitäten. Experimentvideos finden Sie unter https://yxyang.github.io/jumping_cod/.

English

We focus on agile, continuous, and terrain-adaptive jumping of quadrupedal robots in discontinuous terrains such as stairs and stepping stones. Unlike single-step jumping, continuous jumping requires accurately executing highly dynamic motions over long horizons, which is challenging for existing approaches. To accomplish this task, we design a hierarchical learning and control framework, which consists of a learned heightmap predictor for robust terrain perception, a reinforcement-learning-based centroidal-level motion policy for versatile and terrain-adaptive planning, and a low-level model-based leg controller for accurate motion tracking. In addition, we minimize the sim-to-real gap by accurately modeling the hardware characteristics. Our framework enables a Unitree Go1 robot to perform agile and continuous jumps on human-sized stairs and sparse stepping stones, for the first time to the best of our knowledge. In particular, the robot can cross two stair steps in each jump and completes a 3.5m long, 2.8m high, 14-step staircase in 4.5 seconds. Moreover, the same policy outperforms baselines in various other parkour tasks, such as jumping over single horizontal or vertical discontinuities. Experiment videos can be found at https://yxyang.github.io/jumping\_cod/.