본 논문은 다수의 4족 보행 로봇을 이용한 장거리, 장애물 인식 밀기 작업을 다룬다. 기존 4족 보행 로봇의 조작 능력, 특히 큰 물체를 다루는 능력의 한계를 극복하기 위해 계층적 다중 에이전트 강화 학습 프레임워크를 제안한다. 이 프레임워크는 고수준 제어기(RRT 플래너와 중앙 집중식 적응 정책), 중간 수준 제어기(분산 목표 조건 정책), 그리고 저수준 보행 정책으로 구성되어 있다. 시뮬레이션 및 실제 Go1 로봇을 이용한 실험을 통해 제안된 방법이 기존 방법보다 성공률이 36.0% 높고 완료 시간이 24.5% 단축됨을 보였다. Push-Cuboid 및 Push-T 와 같은 장거리 장애물 인식 조작 작업을 성공적으로 수행하였다.
시사점, 한계점
•
시사점:
◦
다수의 4족 보행 로봇을 이용한 장거리, 장애물 인식 밀기 작업에 대한 효과적인 해결책 제시.
◦
계층적 다중 에이전트 강화 학습 프레임워크의 우수성을 실험적으로 증명.
◦
실제 로봇 플랫폼에서의 성공적인 구현 및 검증.
◦
검색 및 구조, 건설, 산업 자동화, 실내 정리 등 다양한 실세계 응용 분야에 대한 기여 가능성 제시.
