<![CDATA[Kerentanan robot humanoid terhadap kerusakan akibat jatuh menjadi tantangan karena pusat massa tinggi dan bidang tumpuan sempit. Penelitian mitigasi jatuh sebelumnya mayoritas menggunakan reinforcement learning monolitik yang memerlukan waktu pelatihan lama dan rekayasa fungsi reward khusus. Penelitian ini menyelidiki apakah strategi jatuh yang dirancang manual dapat ditransfer secara efektif ke policy network melalui behavioral cloning secara efisien. Dua strategi—protective bracing dan protective rolling—diimplementasikan sebagai kontroler demonstrasi open-loop untuk robot humanoid ROBOTIS OP3 dalam simulator MuJoCo. Policy network dilatih dengan supervised learning pada dataset demonstrasi. Policy hasil kloning dievaluasi pada berbagai arah jatuh dan dibandingkan dengan demonstrator serta kondisi tanpa kontrol jatuh, dengan dan tanpa joint compliance. Hasil menunjukkan behavioral cloning berhasil mereplikasi kedua strategi protektif dengan akurasi tinggi. Untuk strategi bracing, policy kloning mencapai tingkat keberhasilan 100% dengan gaya impak puncak seringkali lebih rendah daripada demonstrator. Pada strategi rolling, policy kloning mencerminkan tingkat keberhasilan demonstrator yang bervariasi, menyoroti keterbatasan fundamental: behavioral cloning terbatas oleh kualitas demonstrasi. Yang menarik, policy BC menunjukkan reduksi gaya impak paling substansial ketika joint compliance aktif. Ini mengonfirmasi bahwa behavioral cloning adalah metode yang efisien untuk mentransfer strategi protektif rancangan manual ke policy network, meskipun kinerjanya dibatasi oleh kualitas demonstrasi.]]>
Copyrights © 2026
