Arm-Constrained Curriculum Learning for Loco-Manipulation of the Wheel-Legged Robot

将机械臂纳入轮腿机器人可以增强其灵活性并扩展其实际应用潜力。然而，潜在的不稳定性和不确定性存在可能会给控制目标带来额外的挑战。本文介绍了一种“受限臂”课程学习架构，以解决添加机械臂引入的问题。首先，我们开发了一种“受限臂”强化学习算法，以确保控制性能的安全和稳定性。此外，为了解决机械臂和底座之间奖励设置的差异，我们提出了一种奖励感知的课程学习方法。该策略首先在Isaac gym中进行训练，然后转移到物理机器人上执行动态抓取任务，包括开门任务、扇子摆动任务和接力棒拾取和跟随任务。结果表明，我们提出的方法有效地控制了配备机械臂的轮腿机器人掌握动态抓取技能，使其能够在运动中追逐和捕捉移动物体。代码可在https://github.com/aCodeDog/legged-robots-manipulation中找到。要查看补充视频，请访问https://youtu.be/sNXT-rwPNMM。

本论文旨在解决将机械臂整合到轮腿机器人中所带来的不稳定性和不确定性问题，提出了一个基于课程学习的算法来解决这一问题。

论文提出了基于机械臂约束的强化学习算法和奖励感知的课程学习方法，来保证轮腿机器人的稳定性和安全性，并在Isaac gym中进行训练，最终在物理机器人上实现了动态抓取任务。

论文的实验设计充分，使用了多个动态抓取任务来验证算法的有效性，并且提供了开源代码和补充视频。值得进一步研究的是如何将该算法应用到更广泛的机器人应用场景中。

与本论文相关的研究包括：'Learning to Grasp with Arm-mounted Cameras'，'A Survey of Robot Learning from Demonstration'，'Reinforcement Learning for Robotic Manipulation: A Review'等。