Meta-Verstärkendes Lernen für universelle Steuerung der vierbeinigen Fortbewegung

Diese Arbeit stellt einen auf tiefem verstärkendem Lernen basierenden Ansatz vor, um eine politik für robot-agnostische Fortbewegungssteuerung zu entwickeln. Unsere Methode umfasst das Training eines mit Gedächtnis ausgestatteten Agenten, implementiert als rekursive Politik, auf einer vielfältigen Menge prozedural generierter vierbeiniger Roboter. Wir zeigen, dass die durch unser Framework trainierten Politiken nahtlos auf sowohl simulierte als auch reale vierbeinige Roboter übertragen werden können, die während des Trainings nicht begegnet sind, und dabei qualitativ hochwertige Bewegungen über verschiedene Plattformen hinweg beibehalten. Durch eine Reihe von Simulationen und Hardware-Experimenten heben wir die entscheidende Rolle der rekursiven Einheit hervor, die Generalisierung, schnelle Anpassung an Veränderungen der dynamischen Eigenschaften des Roboters und Effizienz bei der Probennutzung ermöglicht.