Salto Continuo Ágil en Terrenos Discontinuos

Agile Continuous Jumping in Discontinuous Terrains

September 17, 2024

Autores: 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

Resumen

Nos enfocamos en el salto ágil, continuo y adaptable al terreno de robots cuadrúpedos en terrenos discontinuos como escaleras y piedras de paso. A diferencia del salto de un solo paso, el salto continuo requiere ejecutar con precisión movimientos altamente dinámicos a lo largo de horizontes largos, lo cual es un desafío para los enfoques existentes. Para lograr esta tarea, diseñamos un marco jerárquico de aprendizaje y control, que consta de un predictor de mapa de alturas aprendido para una percepción robusta del terreno, una política de movimiento a nivel del centroide basada en aprendizaje por refuerzo para una planificación versátil y adaptable al terreno, y un controlador de patas basado en modelos a nivel bajo para un seguimiento preciso del movimiento. Además, minimizamos la brecha entre simulación y realidad al modelar con precisión las características del hardware. Nuestro marco permite que un robot Unitree Go1 realice saltos ágiles y continuos en escaleras de tamaño humano y en piedras de paso dispersas, por primera vez según nuestro conocimiento. En particular, el robot puede cruzar dos escalones en cada salto y completar una escalera de 3,5m de longitud, 2,8m de altura y 14 escalones en 4,5 segundos. Además, la misma política supera a los puntos de referencia en varias otras tareas de parkour, como saltar sobre discontinuidades horizontales o verticales simples. Se pueden encontrar videos de experimentos en 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/.