In the pursuit of enhancing legged robot mobility, stair navigation emerges as a significant challenge within urban contexts. While prior research has demonstrated the potential of Reinforcement Learning(RL) in designing robust blind controllers for rough terrains, the specific focus on staircase environments has remained limited. This study introduces a RL framework tailored to concurrently train a blind quadrupedal controller to traverse and explicitly estimate the stair geometry. By harnessing the inherent structural features of staircases, the developed controller can predict the next step and reduce collisions with consecutive step edges, optimizing locomotion efficiency.
Experimental results demonstrate significant advancements in stair ascent performance, efficiently traversing stairs with slopes of up to $32\circ $ and step heights of up to $18 cm$, achieving an estimation accuracy of 88% and a collision probability of 6% after the second step. The controller’s capabilities extend beyond stair ascent, as evidenced by successful performance in stair descent and random command tracking on stairs. Furthermore, its adaptability is showcased in diverse challenging terrains, including various rough terrains, although additional experimental tests in these environments were not conducted.
This work contributes in enhancing the existing blind controller research by offering insights into stair-specific scenarios.
다리로 이동하는 로봇의 기동성을 향상시키기 위한 노력 중에서 계단 보행은 도시 환경에서 중요한 과제로 부각되고 있습니다. 이전 연구는 강화학습이 울퉁불퉁한 지형을 위한 견고한 블라인드 컨트롤러를 만들 수 있음을 입증했지만, 계단 환경에 중점을 둔 연구는 제한적이었습니다. 본 연구는 계단의 기하를 예측하고 그 위에서 보행하는 블라인드 사족 보행 컨트롤러를 위한 강화학습 프레임워크를 소개합니다. 계단의 고유한 구조적 특징을 활용하여 개발된 컨트롤러는 계단면과의 충돌을 줄여 하드웨어 손상을 줄이고 이동 효율을 최적화합니다. 시뮬레이션 결과, 제어기는 계단 보행 성능에서 주목할 만한 성능을 보였습니다. 본 연구는 계단 시나리오에 대한 통찰력을 제공함으로써 계단 보행 상황에 대한 기존의 블라인드 컨트롤러 연구를 발전시켰습니다.
