アクチュエータ劣化下の四足歩行強化学習のための高次形態事前分布
Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation
四足ロボットをセル複体として表現し、ホッジ理論に基づくメッセージパッシングで高次の形態構造をモデル化することで、アクチュエータ劣化時の歩行補償性能を向上させる手法を提案した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Derek You, Zafir Shamsi, Keqin Wang, Christine Allen-Blanchette
分類: cs.RO, cs.LG
原文アブストラクト
Actuator degradation turns quadruped locomotion into a coordination problem requiring joints to compensate for lost actuation. Prior work suggests that morphology-aware graph policies improve learning and generalization under body perturbations. We ask whether these benefits can be strengthened by explicitly modeling higher-order mechanical structure. We represent the Unitree Go1 as a cell complex with limb- and body-level rank-2 cells and apply Hodge-based message passing. Under degradation training, the node-edge-face Hodge actor achieves the highest return on unseen actuator degradations, with higher survival and lower velocity-tracking error. These results support higher-order morphology as a useful inductive bias for whole-body compensation under actuator degradation.