Gait Switching and Enhanced Stabilization of Walking Robots with Deep Learning-based Reachability: A Case Study on Two-link Walker
作者: Xingpeng Xia, Jason J. Choi, Ayush Agrawal, Koushil Sreenath, Claire J. Tomlin, Somil Bansal
分类: cs.RO, cs.LG, eess.SY
发布日期: 2024-09-10
备注: The first two authors contributed equally. This work is supported in part by the NSF Grant CMMI-1944722, the NSF CAREER Program under award 2240163, the NASA ULI on Safe Aviation Autonomy, and the DARPA Assured Autonomy and Assured Neuro Symbolic Learning and Reasoning (ANSR) programs. The work of Jason J. Choi received the support of a fellowship from Kwanjeong Educational Foundation, Korea
💡 一句话要点
提出基于深度学习的HJ可达性分析方法，提升双足步行机器人步态切换与稳定控制。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 腿足机器人 步态切换 稳定性控制 深度学习 Hamilton-Jacobi可达性 吸引域 混合动力系统
📋 核心要点
- 现有基于学习的腿足机器人控制方法缺乏可解释性，难以保证稳定性，需要耗时的经验测试。
- 利用深度学习加速Hamilton-Jacobi可达性分析，估计不同步态的吸引域，指导步态切换与稳定控制。
- 在双连杆步行机器人仿真中，验证了该方法能有效提升稳定性，并提供传统学习方法所缺乏的透明性。
📝 摘要（中文）
基于学习的方法在腿足运动控制中取得了显著进展，但通常缺乏可解释性，需要通过经验测试来验证其有效性。本研究旨在设计一种基于学习的运动控制器，其稳定性可以被验证和保证。这可以通过验证腿足机器人稳定步态的吸引域（RoAs）来实现。由于腿足机器人的混合动力学特性，这是一个具有挑战性的问题。虽然先前的工作表明Hamilton-Jacobi（HJ）可达性分析对此问题有效，但其可扩展性较差限制了其应用。本研究的核心贡献是采用基于深度学习的HJ可达性解决方案来处理混合腿足机器人动力学，克服了先前工作的局限性。利用学习到的可达性解，首先，我们可以估计各种步态的RoA库。其次，我们可以设计一个单步预测控制器，有效地稳定在验证的RoA内的单个步态。最后，我们可以设计一种步态切换策略，以响应外部扰动，其可行性由RoA分析指导。我们在一个数学模型完善的双连杆步行机器人仿真中验证了我们的方法。我们的方法比以前基于模型的方法实现了更高的稳定性，同时确保了现有基于学习的方法所不具备的透明性。
🔬 方法详解
问题定义：论文旨在解决腿足机器人运动控制中，基于学习的方法缺乏稳定性保证和可解释性的问题。传统方法如Hamilton-Jacobi (HJ) 可达性分析虽然可以验证稳定性，但计算复杂度高，难以扩展到高维系统。因此，需要一种既能保证稳定性，又能高效计算的方法。
核心思路：论文的核心思路是利用深度学习来近似求解HJ可达性问题，从而克服传统HJ方法的计算瓶颈。通过学习可达性函数，可以快速估计不同步态的吸引域（RoAs），并基于RoA设计步态切换策略，保证机器人在受到扰动时能够稳定恢复。
技术框架：整体框架包含以下几个主要模块： 1. 数据生成：通过仿真生成腿足机器人的状态转移数据。 2. 深度学习HJ求解：使用神经网络学习HJ可达性函数，估计不同步态的RoAs。 3. 单步预测控制器设计：基于学习到的RoA，设计单步预测控制器，使机器人稳定在特定步态。 4. 步态切换策略：根据RoA分析，设计步态切换策略，应对外部扰动。
关键创新：最重要的技术创新点在于将深度学习与HJ可达性分析相结合，显著提高了可达性分析的计算效率，使其能够应用于更复杂的腿足机器人系统。与传统HJ方法相比，该方法避免了求解偏微分方程，而是通过神经网络学习可达性函数，大大降低了计算复杂度。与现有学习方法相比，该方法提供了稳定性保证，并具有更高的可解释性。
关键设计：论文中可能涉及的关键设计细节包括： * 神经网络结构的选择（例如，多层感知机、卷积神经网络等）。 * 损失函数的设计，用于训练神经网络逼近HJ可达性函数（例如，基于残差的损失函数）。 * 训练数据的生成策略，如何选择具有代表性的状态转移数据。 * 步态切换策略的具体实现，如何根据RoA信息选择合适的步态。
🖼️ 关键图片
📊 实验亮点
该方法在双连杆步行机器人仿真中验证了其有效性。实验结果表明，与之前的基于模型的方法相比，该方法能够实现更高的稳定性。此外，该方法还提供了传统学习方法所不具备的透明性，使得控制器的行为更容易理解和预测。具体的性能数据（例如，稳定恢复时间、抗扰动能力等）可能在论文正文中给出，但摘要中未明确提及。
🎯 应用场景
该研究成果可应用于各种腿足机器人，例如双足机器人、四足机器人等，使其在复杂环境中具有更强的稳定性和适应性。潜在应用领域包括搜救、物流、巡检等。通过保证机器人的稳定性，可以提高其在实际应用中的可靠性和安全性，并降低维护成本。未来，该方法有望推广到更复杂的机器人系统，实现更智能、更可靠的自主运动控制。
📄 摘要（原文）
Learning-based approaches have recently shown notable success in legged locomotion. However, these approaches often lack accountability, necessitating empirical tests to determine their effectiveness. In this work, we are interested in designing a learning-based locomotion controller whose stability can be examined and guaranteed. This can be achieved by verifying regions of attraction (RoAs) of legged robots to their stable walking gaits. This is a non-trivial problem for legged robots due to their hybrid dynamics. Although previous work has shown the utility of Hamilton-Jacobi (HJ) reachability to solve this problem, its practicality was limited by its poor scalability. The core contribution of our work is the employment of a deep learning-based HJ reachability solution to the hybrid legged robot dynamics, which overcomes the previous work's limitation. With the learned reachability solution, first, we can estimate a library of RoAs for various gaits. Second, we can design a one-step predictive controller that effectively stabilizes to an individual gait within the verified RoA. Finally, we can devise a strategy that switches gaits, in response to external perturbations, whose feasibility is guided by the RoA analysis. We demonstrate our method in a two-link walker simulation, whose mathematical model is well established. Our method achieves improved stability than previous model-based methods, while ensuring transparency that was not present in the existing learning-based approaches.