Lenig Continu Springen in Onderbroken Terreinen

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

Samenvatting

We richten ons op behendig, continu en terreinaanpasbaar springen van viervoetige robots in discontinu terrein zoals trappen en stapstenen. In tegenstelling tot enkelvoudig springen, vereist continu springen het nauwkeurig uitvoeren van zeer dynamische bewegingen over lange termijnen, wat uitdagend is voor bestaande benaderingen. Om deze taak uit te voeren, ontwerpen we een hiërarchisch leer- en besturingskader, dat bestaat uit een geleerde hoogtekaartvoorspeller voor robuuste terreinperceptie, een op reinforcement learning gebaseerd bewegingsbeleid op centraal niveau voor veelzijdige en terreinaanpasbare planning, en een op modellen gebaseerde beenbesturing op laag niveau voor nauwkeurige bewegingstracking. Bovendien minimaliseren we de kloof tussen simulatie en werkelijkheid door de hardwarekenmerken nauwkeurig te modelleren. Ons kader stelt een Unitree Go1-robot in staat om behendige en continue sprongen te maken op menselijke trappen en schaarse stapstenen, voor zover wij weten voor het eerst. In het bijzonder kan de robot twee traptreden overschrijden bij elke sprong en voltooit hij een 3,5m lange, 2,8m hoge, 14-treden trap in 4,5 seconden. Bovendien presteert hetzelfde beleid beter dan baselines in verschillende andere parkoer-taken, zoals springen over enkele horizontale of verticale discontinuïteiten. Experimentvideo's zijn te vinden op 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/.