[论文解读] Optimizing Gait Libraries via a Coverage Metric

Brian Bittner, Shai Revzen|arXiv (Cornell University)|Jul 19, 2021

Robotic Locomotion and Control参考文献 31被引用 4

一句话总结

本文提出一种覆盖度度量方法，用于优化机器人运动基元库，使其在受损后仍能保持导航能力。通过数据驱动的系统辨识与基于李群的状态格栅，该方法发现了非直观的、高覆盖度的步态——在仿真和实物机器人上得到验证，包括由树枝制成的机器人——实现了损伤后快速恢复移动能力，且人类偏见极小。

ABSTRACT

Many robots move through the world by composing locomotion primitives like steps and turns. To do so well, robots need not have primitives that make intuitive sense to humans. This becomes of paramount importance when robots are damaged and no longer move as designed. Here we propose a goal function we call "coverage", that represents the usefulness of a library of locomotion primitives in a manner agnostic to the particulars of the primitives themselves. We demonstrate the ability to optimize coverage on both simulated and physical robots, and show that coverage can be rapidly recovered after injury. This suggests that by optimizing for coverage, robots can sustain their ability to navigate through the world even in the face of significant mechanical failures. The benefits of this approach are enhanced by sample-efficient, data-driven approaches to system identification that can rapidly inform the optimization of primitives. We found that the number of degrees of freedom improved the rate of recovery of our simulated robots, a rare result in the fields of gait optimization and reinforcement learning. We showed that a robot with limbs made of tree branches (for which no CAD model or first principles model was available) is able to quickly find an effective high-coverage library of motion primitives. The optimized primitives are entirely non-obvious to a human observer, and thus are unlikely to be attainable through manual tuning.

研究动机与目标

• 开发一种评估运动基元库实用性的度量方法，其独立于人类直觉或预定义运动类型。
• 通过基于覆盖度的优化目标重新优化步态库，使机器人在机械损伤后能够恢复导航能力。
• 减少对手动设计基元的依赖，使机器人能够通过优化发现有效步态。
• 证明覆盖度优化可产生高性能、非显而易见的步态，即使在具有非传统或未建模形态的机器人上亦可实现。
• 研究自由度在恢复性能中的作用，以及覆盖度度量在不同机器人设计中的鲁棒性。

提出的方法

• 覆盖度度量定义为运动基元库在机器人构型空间（建模为李群，如SE(2)或SE(3)）中密集填充某区域的程度。
• 该方法使用样本高效的、数据驱动的系统辨识，从实验运动数据中建模机器人动力学，无需依赖CAD或第一性原理模型。
• 基元通过最小化SE(2)中一组目标点到基元组合可达状态的平均距离的目标函数进行优化。
• 优化过程迭代进行：初始步态被探索，性能最佳的子集通过重复试验和性能评估进行精炼。
• 该方法利用李群复合来建模序列运动，实现对基元序列可达构型的精确计算。
• 该方法应用于仿真机器人和一台由树枝制成的实物机器人，且未提供任何CAD或机械模型。

实验结果

研究问题

• RQ1 是否可使用覆盖度度量在无须人类偏见或预定义运动类型的情况下，发现高性能、非直观的运动基元？
• RQ2 机器人通过使用覆盖度度量重新优化其步态库，能否有效恢复机械损伤后的导航能力？
• RQ3 自由度对受损机器人覆盖度恢复的速度与质量有何影响？
• RQ4 覆盖度优化方法是否可应用于未建模或非传统形态的机器人（如树枝机器人）？
• RQ5 与传统手工设计或方向受限的步态相比，覆盖度度量是否能产生更鲁棒、更互补的基元库？

主要发现

• 经过8轮步态优化迭代后，机器人实现了每周期前进0.4倍自身长度、转向速率为每周期0.10弧度的运动性能。
• 在硬件上进行5轮步态库优化后，覆盖度分数从0.97下降至0.76，表明空间覆盖度得到改善。
• 由树枝制成的机器人尽管缺乏CAD模型或第一性原理动力学模型，仍成功发现了非直观的、高覆盖度的步态库。
• 优化过程在时间尺度上与强化学习方法（如谷歌所用方法）相当，实现了高性能步态的快速恢复。
• 当自由度超过四个后，恢复性能的提升呈边际递减趋势，表明在损伤恢复中存在有效冗余的阈值。
• 覆盖度度量成功发现了在平移过程中显著旋转的步态——人类难以直观察觉，但对导航极为有效。