Agile ma Sicuro: Apprendimento di Locomozione Ad Alta Velocità Senza Collisioni per Robot a Gambe

Agile But Safe: Learning Collision-Free High-Speed Legged Locomotion

January 31, 2024

Autori: Tairan He, Chong Zhang, Wenli Xiao, Guanqi He, Changliu Liu, Guanya Shi

cs.AI

Abstract

I robot a zampe che navigano in ambienti affollati devono essere contemporaneamente agili per un'esecuzione efficiente dei compiti e sicuri per evitare collisioni con ostacoli o esseri umani. Gli studi esistenti sviluppano controller conservativi (< 1,0 m/s) per garantire la sicurezza, oppure si concentrano sull'agilità senza considerare potenziali collisioni fatali. Questo articolo introduce Agile But Safe (ABS), un framework di controllo basato sull'apprendimento che consente una locomozione agile e priva di collisioni per robot quadrupedi. ABS comprende una politica agile per eseguire abilità motorie agili in mezzo agli ostacoli e una politica di recupero per prevenire fallimenti, collaborando per ottenere una navigazione ad alta velocità e priva di collisioni. Il passaggio tra le politiche in ABS è governato da una rete di valore reach-avoid appresa teoricamente, che guida anche la politica di recupero come funzione obiettivo, proteggendo così il robot in un ciclo chiuso. Il processo di formazione coinvolge l'apprendimento della politica agile, della rete di valore reach-avoid, della politica di recupero e di una rete di rappresentazione esterocettiva, tutto in simulazione. Questi moduli addestrati possono essere direttamente implementati nel mondo reale con sensori e calcolo a bordo, portando a una navigazione ad alta velocità e priva di collisioni in spazi confinati sia interni che esterni, con ostacoli sia statici che dinamici.

English

Legged robots navigating cluttered environments must be jointly agile for efficient task execution and safe to avoid collisions with obstacles or humans. Existing studies either develop conservative controllers (< 1.0 m/s) to ensure safety, or focus on agility without considering potentially fatal collisions. This paper introduces Agile But Safe (ABS), a learning-based control framework that enables agile and collision-free locomotion for quadrupedal robots. ABS involves an agile policy to execute agile motor skills amidst obstacles and a recovery policy to prevent failures, collaboratively achieving high-speed and collision-free navigation. The policy switch in ABS is governed by a learned control-theoretic reach-avoid value network, which also guides the recovery policy as an objective function, thereby safeguarding the robot in a closed loop. The training process involves the learning of the agile policy, the reach-avoid value network, the recovery policy, and an exteroception representation network, all in simulation. These trained modules can be directly deployed in the real world with onboard sensing and computation, leading to high-speed and collision-free navigation in confined indoor and outdoor spaces with both static and dynamic obstacles.