Pretraining-finetuning Framework for Efficient Co-design: A Case Study on Quadruped Robot Parkour

在自然界中，具有出色运动能力的动物（如美洲狮）通常具有不对称的前后腿，其强大的后腿作为跳跃的能量储备。这个观察启发了我们：优化四足机器人的腿长是否能赋予它们类似的运动能力？在本文中，我们提出了一种方法，通过共同优化机械结构和控制策略来提高四足机器人的运动能力。具体而言，我们引入了一种新颖的预训练-微调框架，不仅保证了每个机械候选的最佳控制策略，还保证了时间效率。此外，我们还设计了一种创新的预训练网络训练方法，将空间域随机化与正则化方法相结合，显着提高了网络的泛化能力。我们的实验结果表明，所提出的预训练-微调框架显著提高了整体协同设计性能，并减少了时间消耗。此外，协同设计策略明显超过了独立优化控制策略的传统方法，进一步提高了机器人的运动性能，并为提高四足机器人的极限跑酷能力提供了创新方法。

论文旨在通过优化四足机器人的机械结构和控制策略，提高其运动能力。

论文提出了一种新的预训练-微调框架，通过空间域随机化和正则化方法来提高预训练网络的泛化性能，从而有效提高四足机器人的整体设计性能。

论文的实验结果表明，所提出的预训练-微调框架显著提高了四足机器人的运动性能，并且比独立优化控制策略的传统方法更具优势。此外，论文还使用了创新的训练方法和数据集，值得进一步研究。

最近的相关研究包括“Robust Locomotion Control of Quadruped Robots on Sloped Terrains Using Central Pattern Generators”和“Dynamic Locomotion of Legged Robots on Granular Media”。