Гибкая непрерывная прыжковая стратегия в разрывистых местностях

Agile Continuous Jumping in Discontinuous Terrains

September 17, 2024

Авторы: 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

Аннотация

Мы сосредотачиваемся на гибком, непрерывном и адаптивном к местности прыжках четырехногих роботов в разрывистых местностях, таких как лестницы и ступенчатые камни. В отличие от одношаговых прыжков, непрерывный прыжок требует точного выполнения высокодинамичных движений на длительных горизонтах, что является сложным для существующих подходов. Для выполнения этой задачи мы разработали иерархическую обучающую и управляющую структуру, которая состоит из обученного предсказателя карты высот для надежного восприятия местности, политики движения на уровне центроида на основе обучения с подкреплением для гибкого и адаптивного к местности планирования, а также низкоуровневого контроллера ног на основе модели для точного отслеживания движения. Кроме того, мы минимизируем разрыв между симуляцией и реальностью, точно моделируя аппаратные характеристики. Наша структура позволяет роботу Unitree Go1 выполнять гибкие и непрерывные прыжки на лестницах человеческого размера и разреженных ступенчатых камнях, впервые, насколько нам известно. В частности, робот может преодолеть два ступеня лестницы за один прыжок и пройти 3,5 м в длину, 2,8 м в высоту, 14-ступенчатую лестницу за 4,5 секунды. Более того, та же политика превосходит базовые показатели в различных других задачах паркура, таких как прыжки через одиночные горизонтальные или вертикальные разрывы. Видео экспериментов можно найти по ссылке 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/.