ترجمه فارسی مقاله PIP-Loco: یک چارچوب برنامه ریزی افق بی نهایت فوری برای حرکات ربات چهار مرحله ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی PIP-Loco: A Proprioceptive Infinite Horizon Planning Framework for Quadrupedal Robot Locomotion
عنوان مقاله به فارسی PIP-Loco: یک چارچوب برنامه ریزی افق بی نهایت فوری برای حرکات ربات چهار مرحله ای
نویسندگان Aditya Shirwatkar, Naman Saxena, Kishore Chandra, Shishir Kolathaya
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Robotics,Machine Learning,روباتیک , یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; v1 submitted 14 September, 2024; originally announced September 2024. , Comments: Preprint under review
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛V1 ارسال شده 14 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: preprint تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

A core strength of Model Predictive Control (MPC) for quadrupedal locomotion has been its ability to enforce constraints and provide interpretability of the sequence of commands over the horizon. However, despite being able to plan, MPC struggles to scale with task complexity, often failing to achieve robust behavior on rapidly changing surfaces. On the other hand, model-free Reinforcement Learning (RL) methods have outperformed MPC on multiple terrains, showing emergent motions but inherently lack any ability to handle constraints or perform planning. To address these limitations, we propose a framework that integrates proprioceptive planning with RL, allowing for agile and safe locomotion behaviors through the horizon. Inspired by MPC, we incorporate an internal model that includes a velocity estimator and a Dreamer module. During training, the framework learns an expert policy and an internal model that are co-dependent, facilitating exploration for improved locomotion behaviors. During deployment, the Dreamer module solves an infinite-horizon MPC problem, adapting actions and velocity commands to respect the constraints. We validate the robustness of our training framework through ablation studies on internal model components and demonstrate improved robustness to training noise. Finally, we evaluate our approach across multi-terrain scenarios in both simulation and hardware.

چکیده به فارسی (ترجمه ماشینی)

قدرت اصلی کنترل پیش بینی مدل (MPC) برای حرکت چهار جانبه توانایی آن در اجرای محدودیت ها و ارائه تفسیر توالی دستورات در افق بوده است.با این حال ، علی رغم اینکه قادر به برنامه ریزی است ، MPC تلاش می کند تا با پیچیدگی کار مقیاس کند ، که اغلب در دستیابی به رفتار قوی در سطوح سریع در حال تغییر ناکام است.از طرف دیگر ، روشهای یادگیری تقویت کننده بدون مدل (RL) از MPC در زمین های مختلف بهتر عمل کرده اند ، حرکات ظهور را نشان می دهند اما ذاتاً توانایی رسیدگی به محدودیت ها یا انجام برنامه ریزی را ندارند.برای پرداختن به این محدودیت ها ، ما چارچوبی را پیشنهاد می کنیم که برنامه ریزی اختصاصی را با RL ادغام می کند و باعث می شود رفتارهای حرکتی چابک و ایمن از طریق افق انجام شود.با الهام از MPC ، ما یک مدل داخلی را در بر می گیریم که شامل یک برآوردگر سرعت و یک ماژول Dreamer است.در طول آموزش ، این چارچوب یک سیاست متخصص و یک مدل داخلی را که وابسته به آن است ، می آموزد و اکتشاف را برای بهبود رفتارهای حرکتی بهبود می بخشد.در طول استقرار ، ماژول Dreamer یک مشکل MPC بی نهایت-افق را حل می کند ، اقدامات و دستورات سرعت را برای احترام به محدودیت ها تطبیق می دهد.ما استحکام چارچوب آموزشی خود را از طریق مطالعات فرسایش در مورد اجزای مدل داخلی تأیید می کنیم و استحکام بهبود یافته به سر و صدای آموزش را نشان می دهیم.سرانجام ، ما رویکرد خود را در سناریوهای چند زمینی در هر دو شبیه سازی و سخت افزار ارزیابی می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.