基于分层强化学习的节能步态适应：跨多样地形的四足运动
Energy-Efficient Gait Adaptation via Hierarchical Reinforcement Learning for Quadrupedal Locomotion Across Diverse Terrains
精选理由
分层强化学习助力四足机器人跨地形自适应步态，兼顾稳定性与低能耗。
AI 摘要
arXiv:2610.10297v1 公告类型：cross 摘要：尽管能源效率是足式机器人运动控制的关键目标，但在不同速度范围和地形条件下保持稳健性能的同时实现低能耗，仍然是一项重大挑战。对于端到端 RL 策略而言，这一问题尤为突出，因为步态生成、运动执行和能量优化高度耦合，导致系统对奖励设计高度敏感。在本研究中，我们提出了一种分层强化学习（HRL）框架，将用于稳定、稳健的关节级运动执行的高频策略，与显式最小化运输成本（CoT）的低频步态适应分离开来。基于 Isaac 的三阶段训练流程实现了零样本仿真到现实迁移，并提升了跟踪精度、鲁棒性和能源效率。所学习的分层策略展现出随速度自动调整步态的能力：低速时采用侧对步态，高速时过渡到小跑步态。我们在仿真中将所提出的方法与具有代表性的单策略和分层运动基线进行了对比，结果表明，该方法在广泛的指令速度范围内降低了 CoT，同时在平坦、不平整粗糙以及倾斜地形上保持了稳健运动。我们进一步通过在实体 Unitree AlienGo 四足机器人上的零样本部署，验证了该方法的实际可行性。