SLR: Learning Quadruped Locomotion without Privileged Information

这项工作提出了一种自学习潜在表示（SLR）方法，能够实现高性能控制策略的学习，而不需要特权信息。传统的四足机器人强化学习控制通常依赖于特权信息，需要精心选择和精确估计，从而对开发过程施加限制。为了增强我们提出的方法的可信度，我们将SLR与最先进算法的开源代码存储库进行比较，并保留原始作者的配置参数。在四个存储库中，SLR始终优于参考结果。最终，训练出的策略和编码器使四足机器人能够穿越各种具有挑战性的地形，包括攀登楼梯、攀登岩石等。机器人实验视频在https://11chens.github.io/SLR/。

论文旨在解决四足机器人强化学习控制中需要特权信息的问题，并提出了一种无需特权信息的自学习潜在表示方法。

该方法通过自学习编码器和动作策略网络，在不需要特权信息的情况下实现了高性能控制策略的学习。

论文通过与开源代码库的比较，展示了该方法在四个不同的领域中的优越性能，并通过实验展示了该方法在四足机器人的导航、攀爬和越野等方面的应用。论文还提供了实验视频和开源代码。

在该领域的相关研究包括：《Reinforcement Learning for Quadruped Locomotion》、《Hierarchical Reinforcement Learning for Quadruped Locomotion》等。