Extreme Parkour with Legged Robots

RL-System für Laufroboter-Parkour, trainiert in unter 20 Stunden

Lizenz

BSD-3-Clause

Überblick

Reinforcement-Learning-System, das Laufrobotern Parkour-Manöver ermöglicht, darunter das Überklettern von Hindernissen, Sprünge über Lücken und die Navigation in schwierigem Gelände. In unter 20 Stunden mit dem Isaac-Gym-Simulator trainiert.

Diese bahnbrechende Forschung von der ICRA 2024 zeigt, wie Laufroboter komplexe Parkour-Fähigkeiten durch Reinforcement Learning in bemerkenswert kurzen Trainingszeiten erlernen können. Das System nutzt eine zweistufige Trainingspipeline: Basisstrategietraining (8-10 Stunden) gefolgt von Destillationsstrategietraining. Aufgebaut auf Isaac Gym mit PyTorch ermöglicht das Framework Robotern, ununterbrochene Kletter-, Sprung- und Hüpmanöver durchzuführen, die zuvor als aufwändiges Hand-Engineering erfordernden galten. Der Ansatz kombiniert die legged_gym-Umgebung mit der rsl_rl-Reinforcement-Learning-Bibliothek und unterstützt sowohl Simulator-Visualisierung als auch webbasierte Ansicht für kopflose Systeme. Modelle können als JIT-getracte Versionen für den Einsatz auf Edge-Geräten exportiert werden, was die Technologie für reale Anwendungen praktikabel macht.

Warum es wichtig ist

Extreme Parkour hat gezeigt, dass Reinforcement Learning Laufrobotern agile Manöver beibringen kann, die es mit trainierten Tieren aufnehmen. Das System lernte in weniger als 20 Stunden Training, Hindernisse zu erklimmen, zu überspringen und unter ihnen hindurchzukriechen — ein Durchbruch in der Agilität von Laufrobotern.

Welches Problem es löst

Laufroboter sind in der Regel auf das Gehen auf ebenem Boden beschränkt. Dieses Projekt zeigt, dass RL agile Fortbewegungsverhalten entdecken kann, mit denen Roboter extreme Hindernisse überwinden, und bringt uns Robotern näher, die sich in jedem Gelände bewegen können.

Wichtigste Punkte

• Laufroboter, die Parkour absolvieren: Hindernisse erklimmen, überspringen und unter ihnen hindurchkriechen
• Vollständig in der Simulation mit Reinforcement Learning trainiert
• Weniger als 20 Stunden Training bis zu extremen Manövern
• Erfolgreich zero-shot auf echte Unitree-Roboter übertragen
• Keine vorprogrammierten Gangarten — alle Verhaltensweisen Ende-zu-Ende gelernt

Für wen

• Forschende im Bereich der Fortbewegung von Laufrobotern
• Teams, die agile Regler für Vierbeiner entwickeln
• RL-Forschende, die komplexe motorische Steuerung untersuchen
• Unternehmen, die Roboter für den Einsatz in unwegsamem Gelände bauen

Einschränkungen

• Erfordert für das Training ein spezifisches Simulations-Setup
• Übertragung in die reale Welt auf bestimmte Unitree-Roboterhardware beschränkt
• Extreme Manöver können Verschleiß oder Schäden an der Hardware verursachen
• Der aktuelle Ansatz ist aufgabenspezifisch statt universell einsetzbar