This letter presents a new predictive control architecture for high-dimensional robotic systems. As opposed to a conventional Model Predictive Control (MPC) approach to locomotion that formulates a hierarchical sequence of optimization problems, the proposed work formulates a single optimization problem posed over a hierarchy of models, and is thus named Model Hierarchy Predictive Control (MHPC). MHPC is formulated as a multi-phase receding-horizon Trajectory Optimization (TO) problem, and can be implemented using any general multi-phase TO solver. MHPC is benchmarked in simulation on a quadruped, a biped, and a quadrotor, demonstrating control performance on par or exceeding whole-body MPC while maintaining a lower computational cost in each case. A preliminary gap jumping experiment is conducted on the MIT Mini Cheetah with the control policy generated offline, demonstrating the physical validity of the generated trajectories and motivating online MHPC in future work.


翻译:本字母为高维机器人系统提供了一个新的预测控制架构。 与传统的模型预测控制(MPC)方法相比,模型预测控制(MPC)对移动方式采取的方法,该方法提出一个等级级优化问题,而拟议工作则在模型的等级上形成一个单一的优化问题,因此称为模型分级预测控制(MHPC)。 MHPC是作为多阶段后退分轨道轨道优化(TO)问题制定的,可以使用任何通用的多阶段解答器加以实施。 MHPC在模拟中以四重、双倍和二次钻探器为基准,在平均或超全体 MPC上展示控制性能,同时在每种情况下保持较低的计算成本。 MIT Mini Cheetah 上进行了初步的脱轨试验,在离线产生的控制政策下进行,展示了所生成的轨迹的实际有效性,并激励在线MHPC在未来的工作中。

0
下载
关闭预览

相关内容

深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
VIP会员
相关VIP内容
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员