Learning Terrain-Adaptive Humanoid Locomotion on Granular Terrain
本文提出了一种基于三维阻力理论的物理驱动颗粒接触模型，以及一种地形自适应强化学习框架，使人形机器人能够在多样化的真实世界颗粒地形上实现敏捷运动，标志着该领域首次成功展示了此类能力。
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
长期以来，机器人已经掌握了在坚实地面上行走的艺术，能够像人类一样精准地在水泥人行道和木地板上穿行。但一旦踏上沙滩、碎石路或松软的土场，规则便会完全改变。与提供坚硬、不可撼动反作用力的硬化路面不同，沙地或泥土等松散地面表现得难以捉摸。它可能在快速踩踏时表现得像坚硬的岩石，也可能在脚部下陷过深时像粘稠的液体一样流动。这种变化的特性使得机器人极难判断该施加多少力量，或者如何在不下陷或打滑的情况下保持平衡。多年来，工程师们一直试图教会机器人在这些不稳定的表面上行走，但往往依赖于那些在地面塌陷时就会失效的简化模型。
现在，一组研究人员开发出了一种新方法，用于教导人形机器人在松散的颗粒状地形上行走。他们的方法结合了对足部与沙砾相互作用更准确的理解，以及一种让机器人能够实时感知地面硬度的学习方法。通过在一个高度真实的虚拟环境中进行训练（该环境模拟了下陷和滑动物理特性），并在真实的沙滩和碎石堆上进行测试，该团队证明了他们的机器人可以在以往模型会失败的软地上行走、奔跑甚至跳跃。这项工作标志着在赋予机器人操作现实世界中杂乱、非结构化环境的能力方面迈出了重要一步。
这一成就的核心在于研究人员如何模拟机器人足部与地面之间的相互作用。传统方法通常将地面视为一个仅仅阻挡足部的硬表面，或者使用粗略的猜测来估计足部会下陷多少。然而，新系统使用了一个基于物理的模型，计算足部压入地面时地面所提供的阻力。该模型考虑了足部的角度、运动速度以及穿透深度如何共同改变地面施加的反作用力。该系统并非靠猜测，而是根据材料的物理属性（无论是干沙、湿海沙还是玄武岩）来计算这些力。这使得机器人在模拟中能体验到与现实中相同的下陷和滑动感。
为了使这一过程在实践中可行，研究人员采用了两阶段学习过程。首先，他们在模拟器中训练了一个拥有完美信息的“教师”机器人，该机器人可以获知地面的精确硬度和成分。这位“教师”学会了如何在各种表面上高效行走。随后，他们训练了一个“学生”机器人，该机器人只能通过自身传感器探测到的信息进行感知，例如关节的运动和作用于其身体的力。学生机器人学会了仅通过这些内部信号来推断地面的性质，实际上就是通过感受自身的移动来“感觉”地形的属性。一旦训练完成，学生机器人就能即时调整其行走方式，例如在地面较软时抬高脚步以避免拖拽，或者在表面不平整时调整步幅。
该方法的成果在高度逼真的计算机模拟和现实世界的硬件实验中都得到了验证。在模拟中，机器人被置于不同的颗粒状地形中，包括玄武岩、干沙和作为细小松散材料的罂粟籽。使用新物理模型训练的机器人成功通过了这些表面，在保持平衡的同时，能以高达每秒2.5米的速度跟随行走指令。相比之下，使用旧有简化模型的机器人表现挣扎，经常在较软的表面上摔倒或无法前进。新系统不仅能行走，还能应对跑步和跳跃——这些任务需要精确的时机把握和力量应用，而如果没有对地面行为的深刻理解，几乎是不可能实现的。
当研究团队在现实世界中将训练好的机器人部署在 Unitree G1 人形机器人上时，结果依然成立。他们在玄武岩场、干沙排球场和沙滩上进行了测试。在坚硬的玄武岩上，机器人行走平稳；在干沙上，即使在较高速度下也能保持平衡，而旧模型则会失去重心。或许最令人印象深刻的是，机器人展示了感知地面变化的能力。当它从较硬的表面走到较软的沙地时，它会自动调整步态，抬高脚步以防止足部被拖入松散的材料中。这种适应是在没有任何关于特定位置的预设指令下完成的，机器人仅仅是根据通过腿部感受到的变化阻力做出的反应。
研究人员还观察到，机器人在软地上的动作变得更加高效且温和。通过估算地形的硬度，机器人学会了仅施加足以向前移动的力量，而不至于踢起过多的沙子或让关节过度劳累。这种“顺应性”行为（即机器人吸收不平整地面的扰动而非与其对抗）表明，这是一种更自然、更节能的行走方式。这项研究证实，对于机器人要在野外真正开展作业，它们必须能够理解并适应脚下复杂多变的地面，从而超越过去那种僵化的假设。
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。