ترجمه فارسی مقاله یادگیری تقویت ربات چند پا بر روی مناظر ناهموار

چکیده

Navigating rugged landscapes poses significant challenges for legged locomotion. Multi-legged robots (those with 6 and greater) offer a promising solution for such terrains, largely due to their inherent high static stability, resulting from a low center of mass and wide base of support. Such systems require minimal effort to maintain balance. Recent studies have shown that a linear controller, which modulates the vertical body undulation of a multi-legged robot in response to shifts in terrain roughness, can ensure reliable mobility on challenging terrains. However, the potential of a learning-based control framework that adjusts multiple parameters to address terrain heterogeneity remains underexplored. We posit that the development of an experimentally validated physics-based simulator for this robot can rapidly advance capabilities by allowing wide parameter space exploration. Here we develop a MuJoCo-based simulator tailored to this robotic platform and use the simulation to develop a reinforcement learning-based control framework that dynamically adjusts horizontal and vertical body undulation, and limb stepping in real-time. Our approach improves robot performance in simulation, laboratory experiments, and outdoor tests. Notably, our real-world experiments reveal that the learning-based controller achieves a 30\% to 50\% increase in speed compared to a linear controller, which only modulates vertical body waves. We hypothesize that the superior performance of the learning-based controller arises from its ability to adjust multiple parameters simultaneously, including limb stepping, horizontal body wave, and vertical body wave.

چکیده به فارسی (ترجمه ماشینی)

پیمایش مناظر ناهموار چالش های مهمی را برای حرکت پا به وجود می آورد.روبات های چند پا (آنهایی که دارای 6 و بیشتر هستند) یک راه حل امیدوارکننده برای چنین زمینی ارائه می دهند ، عمدتا به دلیل ثبات استاتیک ذاتی آنها ، ناشی از مرکز کم جرم و پایه گسترده پشتیبانی است.چنین سیستمهایی برای حفظ تعادل نیاز به حداقل تلاش دارند.مطالعات اخیر نشان داده است که یک کنترلر خطی ، که باعث تعدیل بدن عمودی یک ربات چند پا در پاسخ به تغییر در زبری زمین می شود ، می تواند تحرک قابل اعتماد در زمین های چالش برانگیز را تضمین کند.با این حال ، پتانسیل یک چارچوب کنترل مبتنی بر یادگیری که پارامترهای مختلفی را برای پرداختن به ناهمگونی زمین تنظیم می کند ، همچنان ناپدید می شود.ما تصریح می کنیم که توسعه یک شبیه ساز مبتنی بر فیزیک معتبر برای این ربات می تواند با اجازه اکتشاف فضای گسترده پارامتر ، به سرعت قابلیت ها را پیش ببرد.در اینجا ما یک شبیه ساز مبتنی بر Mujoco متناسب با این بستر روباتیک ایجاد می کنیم و از شبیه سازی برای تهیه یک چارچوب کنترل مبتنی بر یادگیری تقویت شده استفاده می کنیم که به صورت پویا تنظیمات بدنه افقی و عمودی را تنظیم می کند و پله های اندام را در زمان واقعی تنظیم می کند.رویکرد ما عملکرد ربات را در شبیه سازی ، آزمایشات آزمایشگاهی و آزمایشات در فضای باز بهبود می بخشد.نکته قابل توجه ، آزمایش های دنیای واقعی ما نشان می دهد که کنترلر مبتنی بر یادگیری در مقایسه با یک کنترلر خطی ، سرعت 30 تا 50 \ ٪ افزایش می یابد ، که فقط امواج بدن عمودی را تعدیل می کند.ما فرض می کنیم که عملکرد برتر کنترلر مبتنی بر یادگیری از توانایی آن در تنظیم چندین پارامتر به طور همزمان ، از جمله پله اندام ، موج بدن افقی و موج بدن عمودی ناشی می شود.