日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2508.09354

CLF-RL: 制御リアプノフ関数による強化学習の誘導

CLF-RL: Control Lyapunov Function Guided Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

モデルベースの参照軌道と制御リアプノフ関数を用いた報酬整形で二足歩行ロボットの強化学習を安定化させ、Unitree G1での実機実験で頑健性を向上させた。

詳しい要約

1. どんなもの?

- 二足歩行ロボットのための強化学習(RL)ベースの歩行ポリシー学習フレームワーク - モデルベースの軌道生成とcontrol Lyapunov functions (CLFs)を組み合わせた報酬整形(structured reward shaping)を提案 - 参照軌道生成に2種類のプランナを利用 - 速度条件付き運動計画のためのreduced-order linear inverted pendulum (LIP)モデル - full-order dynamicsを用いたhybrid zero dynamics (HZD)ベースの事前計算gait library - 展開時は軽量ポリシーのみで、参照軌道とCLF整形は訓練時のみ使用

2. 先行研究と比べてどこがすごい?

- 従来のRL歩行ポリシーは報酬設計が煩雑で、不適切な目的関数への感度が高い問題があった - 提案手法はモデルベース軌道生成とCLFに基づく構造化報酬整形でこの問題に対処 - 単純なtracking rewardを用いる古典的RL定式化より性能が向上 - baseline RLポリシーと比較してロバスト性が大幅に改善 - 参照が得られれば実装が容易という利点を主張

3. 技術・手法の肝は?

- モデルベースプランナで望ましいend-effectorおよびjoint軌道を生成 - 生成した参照軌道を用いてCLFベースの報酬を構築 - 追従誤差を罰し、速やかな収束を促す - 意味のある中間報酬(intermediate rewards)を提供 - 参照軌道とCLF整形は訓練時のみ使用し、展開時ポリシーは軽量 - 具体的なCLFの定式化や報酬の重み設計の詳細は要旨からは不明

4. どうやって有効だと検証した?

- シミュレーションで検証 - 実機Unitree G1ロボットでの広範な実世界実験により検証 - baseline RLポリシーと比較してロバスト性が有意に改善 - 古典的tracking reward RL定式化より良い性能を示す - 定量的な評価指標や実験条件の詳細は要旨からは不明

5. 議論はある?

- 報酬設計の煩雑さと目的関数感度への対処を主張 - 参照が得られれば実装が容易である点を利点として挙げる - 訓練時のみ参照とCLFを使用するため展開時は軽量 - 限界や失敗事例、計算コスト、プランナ依存性などの議論は要旨からは不明

6. 次に読むべき論文は?

- hybrid zero dynamics (HZD) 関連研究 - linear inverted pendulum (LIP) モデルに基づく歩行計画研究 - control Lyapunov functions (CLFs) を用いたロボット制御研究 - 報酬整形(reward shaping)に関する強化学習研究 - Unitree G1を用いた二足歩行RLの先行研究

※ 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: Kejun Li, Zachary Olkin, Yisong Yue, Aaron D. Ames

分類: cs.RO

原文アブストラクト

Reinforcement learning (RL) has shown promise in generating robust locomotion policies for bipedal robots, but often suffers from tedious reward design and sensitivity to poorly shaped objectives. In this work, we propose a structured reward shaping framework that leverages model-based trajectory generation and control Lyapunov functions (CLFs) to guide policy learning. We explore two model-based planners for generating reference trajectories: a reduced-order linear inverted pendulum (LIP) model for velocity-conditioned motion planning, and a precomputed gait library based on hybrid zero dynamics (HZD) using full-order dynamics. These planners define desired end-effector and joint trajectories, which are used to construct CLF-based rewards that penalize tracking error and encourage rapid convergence. This formulation provides meaningful intermediate rewards, and is straightforward to implement once a reference is available. Both the reference trajectories and CLF shaping are used only during training, resulting in a lightweight policy at deployment. We validate our method both in simulation and through extensive real-world experiments on a Unitree G1 robot. CLF-RL demonstrates significantly improved robustness relative to the baseline RL policy and better performance than a classic tracking reward RL formulation.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI