Co-jump：基于多智能体强化学习的 quadrupedal 机器人协同跳跃

尽管单智能体四足 locomotion 已取得显著进展，但单个机器人仍受限于物理执行限制。为突破这些限制，我们引入Co-jump—a一种两台四足机器人同步执行远超单机能力的跳跃任务。我们在 decentralized 设置下解决该任务的高冲击接触动力学，实现同步而无需显式通信或预定义运动原型。我们的框架采用增强型的多智能体 Proximal Policy Optimization (MAPPO)，并配合渐进式课程策略，有效克服了机械耦合系统中稀疏奖励探索的挑战。我们在仿真中展示了稳健的性能，并成功实现了对物理硬件的迁移，执行多方向的跳跃，平台高度可达1.5米。具体而言，其中一台机器人实现了 1.1 米的脚端抬升高度，较单独的四足机器人 0.45 米跳跃高度提升了144%，显示出卓越的垂直性能。值得注意的是，这一精确协调仅通过 proprioceptive 反馈实现，为受限环境中的通信-free 协作 locomotion 奠定了基础。