Salto Continuo Agile in Terreni Discontinui

Agile Continuous Jumping in Discontinuous Terrains

September 17, 2024

Autori: 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

Abstract

Ci concentriamo sull'agile, continuo e adattabile al terreno salto dei robot quadrupedi in terreni discontinui come scale e pietre gradinate. A differenza del salto a singolo gradino, il salto continuo richiede l'esecuzione accurata di movimenti altamente dinamici su lunghe distanze, il che è sfidante per gli approcci esistenti. Per portare a termine questo compito, progettiamo un framework gerarchico di apprendimento e controllo, che comprende un predittore di heightmap appreso per una percezione robusta del terreno, una politica di movimento a livello di centroide basata sull'apprendimento per una pianificazione versatile e adattabile al terreno, e un controllore di gamba basato su modello a basso livello per un tracciamento preciso del movimento. Inoltre, riduciamo al minimo il divario sim-to-real modellando accuratamente le caratteristiche hardware. Il nostro framework consente a un robot Unitree Go1 di eseguire salti agili e continui su scale delle dimensioni umane e su pietre gradinate sparse, per la prima volta a quanto ne sappiamo. In particolare, il robot può superare due gradini di scale in ogni salto e completare una scalinata di 3,5m di lunghezza, 2,8m di altezza e 14 gradini in 4,5 secondi. Inoltre, la stessa politica supera le baselines in vari altri compiti di parkour, come saltare su discontinuità singole orizzontali o verticali. I video degli esperimenti sono disponibili su 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/.