Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots

自主轮腿机器人有潜力改变物流系统，在城市环境中提高操作效率和适应性。然而，导航城市环境对机器人来说具有独特的挑战，需要创新的解决方案来实现运动和导航。这些挑战包括需要适应不同地形的运动和有效地绕过复杂动态障碍物的能力。本研究介绍了一个完全集成的系统，包括自适应运动控制、移动感知本地导航规划和城市大规模路径规划。使用无模型强化学习技术和特权学习，我们开发了一个多功能运动控制器。该控制器通过平稳的步态转换，在各种崎岖地形上实现了高效和稳健的运动。它与一个学习的导航控制器紧密集成，通过分层强化学习框架，实现在具有挑战性的地形和各种障碍物上高速有效导航。我们的控制器集成到一个大规模城市导航系统中，并通过在瑞士苏黎世和西班牙塞维利亚进行的千米级自主导航任务进行验证。这些任务展示了系统的稳健性和适应性，强调了集成控制系统在实现复杂环境中无缝导航方面的重要性。我们的发现支持轮腿机器人和分层强化学习在自主导航方面的可行性，对最后一公里配送及其他领域具有影响。

解决问题：论文旨在解决城市环境中自主机器人导航的问题，包括适应多样化的地形和高速有效地绕过复杂动态障碍物。

关键思路：采用模型无关的强化学习技术和特权学习，开发出一种可适应多种地形的灵活运动控制器，通过分层强化学习框架与学习导航控制器紧密集成，实现高速有效的导航。

亮点：论文中的控制器被整合到一个大规模的城市导航系统中，并通过在瑞士苏黎世和西班牙塞维利亚进行的自主导航任务得到验证。实验表明系统的稳健性和适应性，对实现复杂环境下无缝导航的集成控制系统的重要性进行了强调。

相关研究：最近的相关研究包括“Robust Locomotion Control of a Quadruped Robot on Rough Terrain Using Model-Free Reinforcement Learning”和“Hierarchical Reinforcement Learning for Robust Locomotion Control of a Quadruped Robot”，等等。