热点事件历史事件

分层强化学习实现四足机器人节能步态自适应

1 篇报道1 个报道来源4 天前更新

先了解这件事

AI 综述

2026年10月8日，arXiv cs.RO 刊出 Ammar Issa 等作者的论文，提出一种分层强化学习（HRL）框架，用于四足机器人节能步态自适应。该框架将高频的关节级运动执行策略与低频的步态自适应策略分离，后者显式最小化运输成本（CoT）。据论文，该框架经三阶段 Isaac 训练，在仿真中于广泛指令速度范围内降低 CoT，并保持平地、崎岖不平与倾斜地形上的稳定运动，还展现出低速踱步、高速小跑的自动速度相关步态切换。作者称，三阶段 Isaac 训练流程实现了零样本 Sim2Real 迁移，在跟踪精度、鲁棒性与能效方面均有改善，并已在宇树（Unitree）AlienGo 四足机器人上完成零样本部署。上述结论均来自该论文自述，尚未见独立验证或后续跟进报道。

AI 根据报道生成 · 1 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月8日

12:00
arXiv cs.RO
基于分层强化学习的四足机器人节能步态自适应，实现多地形零样本 Sim2Real 部署
研究者提出一种分层强化学习（HRL）框架，将高频关节级运动执行策略与低频步态自适应策略分离，后者显式最小化运输成本（CoT）。该框架经三阶段 Isaac 训练，在仿真中于广泛指令速度范围内降低 CoT，并保持平地、崎岖不平与倾斜地形上的稳定运动，还展现出低速踱步、高速小跑的自动速度相关步态切换。方法已在宇树（Unitree）AlienGo 四足机器人上完成零样本部署。