Oldal címe
Learning-Based Motion Control for Humanoid and Quadruped Robots
Címlapos tartalom
A projekt célja tanulásalapú motion control policy-k fejlesztése humanoid és quadruped robotok számára.
A nagy számítási kapacitású GPU-kat egyrészt reinforcement learning alapú motion policy-k tréningezésére és azok nagy léptékű szimulációs validációjára használjuk. Másrészt Model Predictive Control (MPC) alapú kontrollerek segítségével szimulációs adatokat generálunk, amelyek később tanulási algoritmusok és policy-k fejlesztésének alapjául szolgálnak.
A projekt további célja több, eltérő feladatokra vagy mozgásmintákra optimalizált motion policy tudásának egy egységes modellbe történő desztillációja. Ennek során diffusion modell alapú generatív módszereket vizsgálunk, amelyek lehetővé tehetik különböző mozgáspolitikák tudásának kombinálását és általánosítható motion control policy létrehozását.
A GPU-erőforrásokat nagy számú párhuzamos IsaacSim környezet futtatására, reinforcement learning tréningre, MPC adatgyűjtésre, valamint a diffusion és flow matching tanítására használjuk.