Learning to walk in confined spaces using 3D representation

四足机器人具有在复杂地形和传统平台无法到达的狭窄空间中行走的潜力，这要归功于它们在行走时能够仔细选择脚手架并灵活调整身体姿势的能力。然而，它们在实际应用中的稳健部署仍然是一个开放的挑战。在本文中，我们提出了一种使用强化学习和三维体积表示的腿部运动控制方法，以实现在狭窄和非结构化环境中的稳健和多功能运动。通过采用两层分层策略结构，我们利用高度稳健的低层策略来遵循6D命令，以及高层策略来实现三维空间感知，以便在越过悬挂障碍物时进行导航。我们的研究包括开发过程性地形生成器，以创建多样化的训练环境。我们在模拟和真实世界环境中进行了一系列实验评估，展示了我们的方法在控制四足机器人在狭窄、崎岖的地形中的有效性。通过实现这一目标，我们的工作扩展了四足机器人在更广泛场景下的适用性。

本论文旨在通过强化学习和三维体积表示来控制四足机器人的腿部运动，以实现在复杂和受限环境中的鲁棒和多功能运动。

论文采用两层分层策略结构，利用高度鲁棒的低层策略来遵循6D命令，使用高层策略实现三维空间感知，以便在悬挂障碍物下导航。

论文开发了一个程序化地形生成器来创建多样的训练环境。实验包括在模拟和现实环境中进行的一系列评估，展示了论文方法在受限、崎岖的地形中控制四足机器人的有效性。

最近的相关研究包括：'Learning to Run: Challenges and Insights'，'Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative Evaluation'，'Robust Locomotion of a Hexapod Robot via Deep Reinforcement Learning'等。