基于深层强化学习发现人oid机器人自保式落地策略
机器人学
2025-12-02 v1
摘要
近年来，人oid机器人因其研究兴趣和技术进步而受到广泛关注。尽管取得了许多成功，但由于其形态学、动力学特征以及控制策略的局限性，人oid机器人相较于四足或轮式机器人更易倒下。且其巨大的重量、高大的质心以及高自由度，将导致在不可控倒下时造成严重的硬件损伤，危及自身及周围物体。现有研究大多聚焦于基于控制的方法，这些方法难以涵盖多样化的倒下场景，可能引入不合适的人类先验。另一方面，大规模深度强化学习和课程学习可用于激励人oid智能体发现适合其自身特性和属性的倒地保护策略。本文通过设计精心的奖励函数和领域多样化课程，成功训练出人oid智能体以探索倒地保护行为，发现通过形成"三角形"结构，可显著降低其刚性材料身体的倒下损伤。我们通过全面的指标和实验，对其性能进行了与其他方法的比较，展示了倒下行为，并成功将其迁移到实际平台。
引用
@article{arxiv.2512.01336,
title = {Discovering Self-Protective Falling Policy for Humanoid Robot via Deep Reinforcement Learning},
author = {Diyuan Shi and Shangke Lyu and Donglin Wang},
journal= {arXiv preprint arXiv:2512.01336},
year = {2025}
}