Kernekoncepter
Ein hierarchisches System, das große Sprachmodelle für die Planung langfristiger Aufgaben und Reinforcement Learning für die Ausführung vielseitiger Bewegungen auf Quadrupedrobotern nutzt.
Resumé
Das vorgestellte System besteht aus zwei Hauptkomponenten:
Hochebene Vernunftschicht:
Semantischer Planer: Erstellt einen abstrakten Plan aus der Aufgabenbeschreibung in natürlicher Sprache, der Zweige für verschiedene Umgebungskonfigurationen enthält.
Parameterkalkulator: Berechnet die genauen Parameter für die Primitiven im Plan.
Codegenerator: Konvertiert den Plan und die Parameter in ausführbaren Robotercode.
Niederebene Bewegungsplanung und -steuerung:
Trainiert mit Reinforcement Learning eine Reihe von Fähigkeiten für Fortbewegung und Manipulation, wie quadrupede Fortbewegung auf Hindernissen, bipedes Gehen und Manipulation.
Feinabstimmung der Fähigkeiten, um den Übergang zwischen ihnen zu verbessern.
Das System wurde auf zwei Benchmark-Aufgaben getestet, bei denen der Roboter Treppen bauen muss, um einen Lichtschalter zu erreichen, und eine Tür öffnen und ein Paket in einen Raum bringen muss. Die Experimente zeigen, dass das System in der Lage ist, komplexe Strategien zu entwickeln und nicht-triviale Verhaltensweisen zu demonstrieren.
Statistik
Der Roboter muss eine Treppe bauen, um den Lichtschalter zu erreichen, der außerhalb seiner Reichweite liegt.
Der Roboter muss die Tür öffnen, um ein Paket in den Raum zu bringen.
Citater
"Quadrupedroboter haben Vorteile in Mobilität und Vielseitigkeit durch eine Vielzahl von Fähigkeiten."
"Solche langfristigen Manöver stellen erhebliche Herausforderungen sowohl für das Hochebenen-Reasoning als auch für die Bewegungsplanung und -steuerung auf der Niederebene dar."