去噪世界模型学习：掌握挑战性地形的人形机器人运动控制

人形机器人因其类人骨架结构，特别适合在以人为中心的环境中执行任务。然而，这一结构伴随着在复杂真实环境中运动控制器设计方面的额外挑战。因此，现有的类人机器人仅限于相对简单 terrain 的控制，无论是基于模型的控制还是无模型强化学习。本文引入了去噪世界模型学习（Denoising World Model Learning, DWL），这是一种用于人形运动控制的端到端强化学习框架，展示了世界上首个人形机器人掌握真实挑战性 terrain 的能力，如雪地、坡度较大的地面、楼梯以及极不平整的 terrain。所有情形都运行相同的学习神经网络，实现零-shot sim-to-real 迁移，表明所提出方法具备卓越的鲁棒性和泛化能力。