Multi-Task Learning of Active Fault-Tolerant Controller for Leg Failures in Quadruped robots
作者: Taixian Hou, Jiaxin Tu, Xiaofei Gao, Zhiyan Dong, Peng Zhai, Lihua Zhang
分类: cs.RO
发布日期: 2024-02-14
备注: 6 pages, 9 figures, ICRA2024 Accepted
💡 一句话要点
提出多任务学习的主动容错控制器以解决四足机器人腿部故障问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 容错控制 多任务学习 故障检测 步态调整 Sim2Real 电气故障 机械故障
📋 核心要点
- 现有控制器无法主动感知关节状态，导致在故障发生时可能产生不理性的输出，增加摔倒风险。
- 提出了一种分层的容错控制方案，采用多任务训练架构，能够同时处理多种关节故障情境。
- 实验结果显示，该方案在复杂故障场景中表现出色，保持了机器人的移动能力，并实现了Sim2Real转移。
📝 摘要（中文）
电动四足机器人在户外探索中容易遭遇腿部相关的电气或机械故障，如关节失去动力或锁定，这可能导致机器人摔倒。现有控制器通常缺乏主动感知自身关节状态并采取预防措施的能力。为此，本文提出了一种分层的容错控制方案，采用多任务训练架构，能够主动感知并克服两种类型的腿部关节故障。该架构同时训练健康、动力丧失和锁定场景下的三种关节任务策略，并引入对称反射初始化技术，以确保快速稳定的步态技能转换。实验结果表明，该控制方案在单腿同时出现两个关节故障的意外场景中表现出色，且保持了机器人的平面移动能力，实现了粗略的速度跟踪，并在真实的SOLO8机器人上实现了零-shot的Sim2Real转移，有效应对电气和机械故障。
🔬 方法详解
问题定义：本文旨在解决电动四足机器人在腿部发生电气或机械故障时的控制问题。现有方法缺乏主动感知关节状态的能力，导致在故障发生时控制器可能产生不理性的输出，增加摔倒风险。
核心思路：论文提出了一种分层的容错控制方案，采用多任务学习架构，能够同时感知并应对多种类型的腿部关节故障。通过并行训练健康、动力丧失和锁定场景下的任务策略，提升控制器的反应能力。
技术框架：整体架构包括三个主要模块：健康状态监测、故障检测与响应、以及步态技能转换。通过对称反射初始化技术，确保快速且稳定的步态调整。
关键创新：最重要的技术创新在于引入了多任务训练架构，使得控制器能够在多种故障情境下进行有效的策略学习，与传统方法相比，显著提升了故障应对能力。
关键设计：在参数设置上，采用了适应性损失函数以平衡不同任务的学习效果，并设计了适合步态调整的网络结构，确保在故障发生时能够迅速调整控制策略。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的控制方案在单腿同时出现两个关节故障的情况下，仍能保持机器人的平面移动能力，并实现了粗略的速度跟踪。此外，在真实的SOLO8机器人上成功实现了零-shot的Sim2Real转移，显示出良好的实际应用潜力。
🎯 应用场景
该研究的潜在应用领域包括户外探索、救援任务及其他需要高可靠性和灵活性的机器人系统。通过提升四足机器人的故障应对能力，能够在复杂环境中更安全地执行任务，减少事故发生的风险，具有重要的实际价值和未来影响。
📄 摘要（原文）
Electric quadruped robots used in outdoor exploration are susceptible to leg-related electrical or mechanical failures. Unexpected joint power loss and joint locking can immediately pose a falling threat. Typically, controllers lack the capability to actively sense the condition of their own joints and take proactive actions. Maintaining the original motion patterns could lead to disastrous consequences, as the controller may produce irrational output within a short period of time, further creating the risk of serious physical injuries. This paper presents a hierarchical fault-tolerant control scheme employing a multi-task training architecture capable of actively perceiving and overcoming two types of leg joint faults. The architecture simultaneously trains three joint task policies for health, power loss, and locking scenarios in parallel, introducing a symmetric reflection initialization technique to ensure rapid and stable gait skill transformations. Experiments demonstrate that the control scheme is robust in unexpected scenarios where a single leg experiences concurrent joint faults in two joints. Furthermore, the policy retains the robot's planar mobility, enabling rough velocity tracking. Finally, zero-shot Sim2Real transfer is achieved on the real-world SOLO8 robot, countering both electrical and mechanical failures.