asRoBallet：通过摩擦感知强化学习实现仿真到现实的跨越，用于不完全受控球形动力学
机器人学
2026-05-08 v2 人工智能
摘要
我们提出了 asRoBallet，据我们所知，这是首个在人oid 小球车硬件平台上部署的端到端强化学习 (RL) locomotion 策略。历史上，球车一直是不完全受控和非holonomic 控制的典型基准，这些系统在轮子-球面-地板交互的复杂摩擦模型中存在现实差距。虽然当前文献展示了成功处理 3D 平衡的 LQR 和 MPC 方法，但 transitioning 到实际硬件以实现人oid 小球车的 RL 控制目前受阻于接触建模、执行器延迟与抖动以及安全硬件探索等关键问题。本研究提出了一个高保真 MuJoCo 模拟，显式建模了 ETH 型全向轮的离散滚珠机械，从而捕获了此前被忽略的 parasitic 振动和接触断裂。我们还开发了一个摩擦感知强化学习框架，通过掌握轮子-球面和球面-地板界面处的滚动、横向和扭转摩擦通道，实现零次仿真到现实迁移。我们通过减法重新配置，改造过约束四足机器人的关键组件并集成到新设计的结构框中，以实现低成本的稳健研究平台。我们还开发了一个通用的 iOS 生态系统，将消费电子设备转化为低延迟接口，使单一操作员能够通过直观的自然运动来协调具有表现力的人oid 动作。
引用
@article{arxiv.2604.24916,
title = {asRoBallet: Closing the Sim2Real Gap via Friction-Aware Reinforcement Learning for Underactuated Spherical Dynamics},
author = {Fang Wan and Guangyi Huang and Tianyu Wu and Zishang Zhang and Bangchao Huang and Haoran Sun and Mingdong Chen and Chaoyang Song},
journal= {arXiv preprint arXiv:2604.24916},
year = {2026}
}
备注
10 pages, 9 figure, accepted for RSS2026. For Supplementary Videos, see https://bionicdl.ancorasir.com/?p=2238