Graph-Operator World Models for Morphology-Parameter Generalization in Continuous Control
本文提出了图算子世界模型（GraphOp-WM），这是一种将机器人动力学分解为与形态无关的基底和与形态相关的算子的结构化方法，旨在实现连续控制任务中对未见物理参数的鲁棒泛化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在机器人领域，教机器移动通常就像教一个孩子走路。你可能会展示给机器人如何跳跃，它会学习自身腿部的节奏、身体的重量以及电机的推力。但这种学习通常是脆弱的。如果你将机器人的腿长改变几英寸，或者让其关节稍微变重，或者将电机更换为动力不同的电机，机器人往往会忘记如何移动。它学习的是针对特定身体的一套特定动作，而当身体发生变化时，这套教训就不再适用了。这是构建能够适应现实世界的机器所面临的一个主要障碍，因为在现实世界中，零件会磨损，设计会变化，环境也会迁移。科学家们长期以来一直试图通过向机器人提供关于其自身形状的额外信息来解决这个问题，希望它能即时掌握新的规则。然而，仅仅给机器人一份其新尺寸的清单，并不能告诉它哪些部分的运动是永久不变的，哪些部分需要改变。
由清华大学和中国科学院研究人员开发的一种新方法，为解决这个问题提供了一种不同的思考方式。他们没有将机器人的身体视为一个单一、不可改变的数据块，而是将其分解为基本的组成部分：身体的固体部件和连接它们的关节。他们构建了一个数字模型，将机器人视为这些部件组成的网络，就像一张由道路连接城市的地图。在这个模型中，研究人员将机器人的运动分为两个截然不同的层级。第一层捕捉单个金属部件在受力时如何运动的基础且不变的物理特性。无论机器人是大是小，这部分都是保持不变的。第二层是一个灵活的控制器，根据机器人的具体尺寸、重量和关节刚度，调整这些部件之间如何相互作用。通过保持这两个层级的分离，该模型可以学习一次核心运动规则，然后快速将其应用到全新的、未见过的身体形状上，而无需从头开始重新学习。
研究人员使用一系列模拟机器人测试了这一想法，其中包括一台跳跃机器、一个步行双足机器人和一个类似猎豹的奔跑生物。他们创建了数千种机器人的变体，以模型从未见过的形式改变了它们的肢体长度、身体质量和电机强度。其中一些变化是在正常范围内的微调，而另一些则是极端的偏移，将机器人推向了远超出其常规极限的状态。该模型在一个包含这些变体的集合上进行训练，然后被要求预测这些新的、未见过的版本将如何运动。结果表明，通过明确区分单个部件的局部运动与这些部件如何影响整体的全局方式，该系统可以准确预测具有完全不同物理参数的机器人的运动。它成功处理了情况，例如机器人的腿部比训练数据中的要长得多或重得多，它甚至可以结合从未在训练数据中出现过的特征，比如沉重的躯干配合轻盈的肢体。
这种方法的独特之处在于它如何处理有关机器人形状的信息。在许多之前的尝试中，机器人的物理细节被混合成一个单一、模糊的摘要，模型必须对其进行解读。而这种新方法将物理细节视为一组结构化的指令，专门用于微调机器人部件之间的连接。它并不试图从零开始猜测整个新的运动，而是利用已知的、可复用的身体部件运动规则，应用精确的数学调整来解释新的重量或长度。这种调整是由机器人的关节和连杆的内部地图引导的，确保了运动的变化符合物理逻辑。例如，如果一条腿变得更重，模型能够准确知道这部分额外的重量应如何改变抬起它的力量，以及这种力量应如何在全身范围内传递。
研究人员还设计了一种特定的方式来教模型尊重这种分离。他们使用成对的机器人进行训练，这些机器人除了物理参数外，在其他方面都完全相同。通过向模型展示相同起始位置和相同指令下的两个不同版本的机器人，他们迫使模型意识到，结果的差异必然源于物理变化，而非基本运动规则的变化。这种技术确保了模型不会意外地将新身体形状的影响隐藏在核心运动规则之中。相反，它学会了将所有的变化都推入调整层，从而保持核心规则的纯净与可复用性。
这项工作表明，要让机器人真正适应新的身体，它们需要的不仅仅是一份尺寸清单；它们需要一种结构性的理解，即这些测量值是如何改变其各部分协同工作的。该模型证明了它能够有效地为这些新的、未见的机器人规划动作，即使在机器人的物理形态发生剧烈变化时，也能计算出实现目标的正确动作序列。虽然这目前是在计算机模拟中进行的，而非物理硬件，但其结果为未来机器人如何应对现实世界中不断的各种变化提供了一个强大的蓝图。该方法并不声称解决了机器人运动的所有问题，也不适用于完全不同类型的机器，但它为教导机器人在相关身体家族之间实现技能泛化提供了一条清晰、结构化的路径。通过尊重机器人的物理结构，该模型将改变参数的挑战转变为一种可控的调整，而非彻底的失败。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。