Locomotion Generation for a Rat Robot based on Environmental Changes via Reinforcement Learning

本研究旨在开发增强学习方法，以实现小型四足机器人的运动生成，实验平台采用老鼠机器人NeRmo。由于体积受限，小型四足机器人通常拥有较少且较弱的传感器，导致难以准确感知和响应环境变化。在这种情况下，传感器提供的反馈数据不足且不精确，使得基于增强学习的自适应运动生成变得困难。为了克服这些挑战，本文提出了一种新的增强学习方法，重点是提取有效的感知信息，以增强小型四足机器人的环境适应性。根据机器人步态的频率，利用傅里叶变换结果导出的正弦函数分析传感器数据的关键信息。此外，还提出了一种多功能奖励机制，以生成不同任务的自适应运动。进行了大量模拟实验，评估了所提出的增强学习方法在不同环境下生成老鼠机器人运动的有效性。实验结果表明，所提出的方法能够在不同的地形，包括坡道、楼梯和螺旋楼梯上，保持老鼠机器人的稳定运动能力。

本论文旨在解决小型四足机器人在环境适应性方面的问题，通过提取有效的感知信息来增强其适应性。

论文提出了一种新的强化学习方法，利用傅里叶变换结果的正弦函数分析机器人步态的频率，提取关键的传感器数据信息，同时提出了一种多功能奖励机制来生成不同任务的适应性运动。

论文使用小型四足机器人NeRmo作为实验平台，在不同的环境中进行了广泛的模拟实验，结果表明该方法能够在不同的地形上维持稳定的运动。论文提出的方法可以为小型四足机器人的环境适应性提供有效的解决方案。

近期的相关研究包括：《基于深度强化学习的四足机器人运动控制》、《基于深度学习的四足机器人行走控制研究》等。