四足机器人在执行器退化场景下的自适应控制策略

四足机器人对极端环境具有很强的适应性，但也可能发生故障。一旦发生这些故障，机器人必须在返回任务前进行修复，降低了其实用可行性。其中一种常见故障是执行器退化，源于设备老化或意外操作事件等因素。传统上，解决这个问题严重依赖于复杂的容错设计，这需要开发者深厚的领域专业知识，且缺乏泛化能力。基于学习的方法提供了缓解这些局限性的有效途径，但在实际四足机器人上有效部署此类方法存在研究空白。本文介绍了一种开创性的基于强化学习的教师-学生框架，名为执行器退化自适应变换器（ADAPT），旨在填补这一研究空白。该框架产生统一的控制策略，使机器人能够仅依靠内部传感器，在突发关节执行器故障的情况下维持运动并执行任务。在Unitree A1平台上的实证评估验证了ADAPT在实际四足机器人上的可部署性和有效性，并确认了我们方法的鲁棒性和实用性。