Tweelaags Bewegingsimitatie voor Humanoid Robots

Bi-Level Motion Imitation for Humanoid Robots

October 2, 2024

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

cs.AI

Samenvatting

Imitatieleren van menselijke bewegingsregistratie (MoCap) data biedt een veelbelovende manier om humanoïde robots te trainen. Echter, vanwege verschillen in morfologie, zoals variërende gradaties van gewrichtsvrijheid en krachtlimieten, is exacte replicatie van menselijk gedrag mogelijk niet haalbaar voor humanoïde robots. Bijgevolg kan het opnemen van fysiek onhaalbare MoCap data in trainingsdatasets nadelige gevolgen hebben voor de prestaties van het robotbeleid. Om dit probleem aan te pakken, stellen we een imitatieleren raamwerk voor op basis van bi-level optimalisatie dat afwisselt tussen het optimaliseren van zowel het robotbeleid als de doel-MoCap data. Specifiek ontwikkelen we eerst een generatief latent dynamisch model met behulp van een nieuw zelfconsistent auto-encoder, dat spaarzame en gestructureerde bewegingsrepresentaties leert terwijl het gewenste bewegingspatronen in de dataset vastlegt. Het dynamische model wordt vervolgens gebruikt om referentiebewegingen te genereren terwijl de latente representatie het bi-level bewegingsimitatieproces reguleert. Simulaties uitgevoerd met een realistisch model van een humanoïde robot tonen aan dat onze methode het robotbeleid verbetert door referentiebewegingen aan te passen om fysiek consistent te zijn.

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.