Imitazione del Movimento a Due Livelli per Robot Umanoidi

Bi-Level Motion Imitation for Humanoid Robots

October 2, 2024

Autori: Wenshuai Zhao, Yi Zhao, Joni Pajarinen, Michael Muehlebach

cs.AI

Abstract

L'apprendimento per imitazione dai dati di motion capture (MoCap) umani offre un modo promettente per addestrare robot umanoidi. Tuttavia, a causa delle differenze nella morfologia, come variazioni nei gradi di libertà articolari e limiti di forza, la replicazione esatta dei comportamenti umani potrebbe non essere fattibile per i robot umanoidi. Di conseguenza, l'inclusione di dati MoCap fisicamente non realizzabili nei set di addestramento può influire negativamente sulle prestazioni della politica del robot. Per affrontare questo problema, proponiamo un framework di apprendimento per imitazione basato sull'ottimizzazione a due livelli che alterna l'ottimizzazione della politica del robot e dei dati MoCap di destinazione. In particolare, sviluppiamo innanzitutto un modello dinamico latente generativo utilizzando un nuovo autoencoder auto-consistente, che apprende rappresentazioni del movimento sparse e strutturate catturando i modelli di movimento desiderati nel dataset. Il modello dinamico viene poi utilizzato per generare movimenti di riferimento mentre la rappresentazione latente regolarizza il processo di imitazione del movimento a due livelli. Simulazioni condotte con un modello realistico di un robot umanoide dimostrano che il nostro metodo potenzia la politica del robot modificando i movimenti di riferimento per renderli fisicamente coerenti.

English

Imitation learning from human motion capture (MoCap) data provides a promising way to train humanoid robots. However, due to differences in morphology, such as varying degrees of joint freedom and force limits, exact replication of human behaviors may not be feasible for humanoid robots. Consequently, incorporating physically infeasible MoCap data in training datasets can adversely affect the performance of the robot policy. To address this issue, we propose a bi-level optimization-based imitation learning framework that alternates between optimizing both the robot policy and the target MoCap data. Specifically, we first develop a generative latent dynamics model using a novel self-consistent auto-encoder, which learns sparse and structured motion representations while capturing desired motion patterns in the dataset. The dynamics model is then utilized to generate reference motions while the latent representation regularizes the bi-level motion imitation process. Simulations conducted with a realistic model of a humanoid robot demonstrate that our method enhances the robot policy by modifying reference motions to be physically consistent.