Salto Contínuo Ágil em Terrenos Descontínuos

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

Resumo

Focamo-nos no salto ágil, contínuo e adaptável ao terreno de robôs quadrúpedes em terrenos descontínuos, como escadas e pedras de passo. Ao contrário do salto de um único degrau, o salto contínuo requer a execução precisa de movimentos altamente dinâmicos ao longo de longos horizontes, o que é desafiador para abordagens existentes. Para realizar essa tarefa, projetamos um framework hierárquico de aprendizado e controle, que consiste em um preditor de mapa de altura aprendido para uma percepção robusta do terreno, uma política de movimento de nível centróide baseada em aprendizado por reforço para um planejamento versátil e adaptável ao terreno, e um controlador de perna baseado em modelo de baixo nível para um rastreamento preciso do movimento. Além disso, minimizamos a lacuna entre simulação e realidade ao modelar com precisão as características de hardware. Nosso framework permite que um robô Unitree Go1 realize saltos ágeis e contínuos em escadas de tamanho humano e pedras de passo espaçadas, pela primeira vez, até onde sabemos. Em particular, o robô pode atravessar dois degraus de escada em cada salto e completar uma escadaria de 3,5m de comprimento, 2,8m de altura e 14 degraus em 4,5 segundos. Além disso, a mesma política supera as bases em várias outras tarefas de parkour, como saltar sobre descontinuidades horizontais ou verticais únicas. Os vídeos dos experimentos podem ser encontrados em 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/.