Исследователи представили фреймворк PAC-MAN, объединяющий обучение с подкреплением (RL) и функции барьера управления (CBF) для обеспечения безопасности гуманоидных роботов. Система позволяет роботам эффективно уклоняться от объектов в динамических сценариях, таких как игра в вышибалы, используя только данные с бортовых камер и сегментированные карты глубины в реальном времени.
Ключевая особенность разработки заключается в интеграции «восприятия» (perception-aware) непосредственно в процесс управления. В отличие от классических методов, где планирование и сенсорика часто разделены, PAC-MAN использует CBF для контроля зазора между всеми частями тела робота и летящим объектом. Это гарантирует физическую целостность конструкции при выполнении сложных маневров уклонения, даже если визуальная информация ограничена данными с одной головной камеры.
Для обучения модели авторы применили состязательный априорный метод движения, который помогает роботу сохранять устойчивость и естественность движений в экстремальных условиях. Система успешно прошла тестирование в симуляции, демонстрируя способность гуманоида реагировать на быстро движущиеся снаряды, сохраняя при этом баланс и соблюдая ограничения безопасности для всех звеньев тела.
Ключевые факты
- Фреймворк PAC-MAN сочетает Control Barrier Functions (CBF) с Reinforcement Learning (RL) для управления гуманоидами.
- Система использует только данные сегментированной глубины с камеры, установленной на голове робота.
- Алгоритм обеспечивает безопасность каждого звена тела робота, предотвращая столкновения в динамических игровых сценариях.
- Состязательный априорный метод движения (adversarial motion prior) используется для регуляризации и повышения стабильности политики управления.