研究人员开发了新的四足机器人运动强化学习（RL）框架，解决了仿真到现实的鸿沟问题。第一种方法利用NVIDIA的Isaac Sim和Isaac Lab，在Unitree Go1上实现了全身控制的零样本仿真到现实迁移，展示了对干扰的鲁棒恢复能力，并达到了2.0米/秒的线性速度。第二种框架侧重于重型四足机器人的扭矩驱动强化学习，使其能够在没有明确速度观测的情况下穿越崎岖地形并跟踪期望速度，在Unitree B1上的仿真结果达到了3.5米/秒。 AI
影响 四足机器人仿真到现实迁移的进步可以加速其在现实世界应用中的开发和部署。
排序理由 两篇arXiv论文详细介绍了使用仿真工具进行四足机器人运动强化学习的新研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.18135v1 Announce Type: cross Abstract: Learning-based approaches to locomotion have risen in popularity in recent years, showing the capability for complex legged locomotion and whole-body control. Reinforcement learning (RL), the primary learning-based approach for lo…
arXiv:2607.18365v1 Announce Type: cross Abstract: Reinforcement learning (RL) for legged robots is advancing locomotion, demonstrating its ability to adapt to new and challenging terrain. Traditionally, these RL locomotion frameworks are position-based, making the policy less ada…