学習可能なCPGフレームワークによる四足歩行制御

- 四足歩行のための学習可能なフレームワーク CPG-ENN の提案。 - 明示的な neural coordination と学習された motion realization を組み合わせる。 - 対称性に基づく 8-neuron の central pattern generator (CPG) が gait rhythms を生成。 - 事前学習済みで脚間共有の execution neural network (ENN) が、リズム信号と trajectory parameters を joint-angle references に変換。 - online inverse kinematics を不要とする。 - 単一の feedback policy が 6 個の物理的に解釈可能な trajectory variables を調整。 - walk, trot, pace, bound, pronk の 5 gait とその遷移を、gait 専用 controller や遷移専用 reward なしで扱う。

- gait ごとの専用 learned controller や transition-specific rewards を必要とせず、単一の feedback policy で複数 gait と遷移を扱う点。 - online inverse kinematics なしで joint-angle references を生成する点。 - 20 通りの directed gait pairs すべてで 99.39% の transition success を simulation で達成。 - AllGaits や Walk These Ways との比較で、gait-speed regulation の正確さを示す。 - Unitree Go2 実機で 5 gait と遷移を検証。

- 中核は CPG-ENN の 2 層構成。 - symmetry-based 8-neuron CPG が gait rhythms を供給。 - pretrained で leg-shared な ENN が、rhythmic signals と trajectory parameters を joint-angle references へ写像。 - 単一の feedback policy が 6 個の physically interpretable trajectory variables を modulate。 - これにより gait ごとの controller や遷移専用 reward を排し、planar velocity と yaw-rate commands を追従。

- Simulation で全 20 directed gait pairs、かつ {0.5, 1.0, 1.5, 2.0} m/s の全 source-target speed combinations を評価。 - transition success 99.39%。 - Ablation を実施。 - transition exposure なしでも高い cross-gait transition feasibility を示す。 - exposure は主に gait acquisition と velocity transients を改善。 - AllGaits および Walk These Ways との比較で gait-speed regulation を評価。 - Unitree Go2 実験で 5 gait と遷移を検証。

- Ablation から、遷移の feasibility は transition exposure に強く依存せず、exposure は gait acquisition と velocity transients の refinement に主に寄与すると議論。 - gait 専用 controller や transition-specific rewards なしで多 gait と遷移を扱える点が示唆される。 - 実機検証は Unitree Go2 で 5 gait と遷移に限られ、詳細な議論は要旨からは不明。

- AllGaits - Walk These Ways - central pattern generator (CPG) を用いた四足 locomotion 研究 - Unitree Go2 を用いた実機 locomotion 研究