Saut agile continu dans des terrains discontinus

Agile Continuous Jumping in Discontinuous Terrains

September 17, 2024

Auteurs: 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

Résumé

Nous nous concentrons sur le saut agile, continu et adaptatif au terrain des robots quadrupèdes dans des terrains discontinus tels que des escaliers et des pierres de pas. Contrairement au saut en une seule étape, le saut continu nécessite d'exécuter avec précision des mouvements hautement dynamiques sur de longues horizons, ce qui est un défi pour les approches existantes. Pour accomplir cette tâche, nous concevons un cadre d'apprentissage et de contrôle hiérarchique, qui se compose d'un prédicteur de carte de hauteur appris pour une perception robuste du terrain, d'une politique de mouvement au niveau du centroïde basée sur l'apprentissage par renforcement pour une planification polyvalente et adaptative au terrain, et d'un contrôleur de jambe basé sur un modèle au niveau bas pour un suivi précis du mouvement. De plus, nous réduisons l'écart entre la simulation et la réalité en modélisant avec précision les caractéristiques matérielles. Notre cadre permet à un robot Unitree Go1 d'effectuer des sauts agiles et continus sur des escaliers de taille humaine et des pierres de pas clairsemées, pour la première fois à notre connaissance. En particulier, le robot peut franchir deux marches d'escalier à chaque saut et parcourir un escalier de 3,5 m de long, 2,8 m de haut et 14 marches en 4,5 secondes. De plus, la même politique surpasse les bases dans diverses autres tâches de parkour, telles que sauter par-dessus des discontinuités horizontales ou verticales simples. Des vidéos d'expérience sont disponibles sur 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/.