腿式机器人混合力-位置运动策略中的扰动感知自适应补偿

基于强化学习的方法显著提升了腿式机器人的运动性能。然而，这些运动策略在部署于真实世界时面临重大挑战。在不确定环境中运行的机器人难以适应载荷变化和外部扰动，导致运动性能严重下降。在本研究中，我们提出了一种新颖的混合力-位置运动策略学习框架，其中策略的动作空间被定义为目标关节位置与前馈力矩的组合，使机器人能够快速响应载荷变化和外部扰动。此外，所提出的扰动感知自适应补偿基于外部扰动估计在力矩空间中提供补偿动作，增强了机器人对动态环境变化的适应性。我们在仿真和真实世界部署中验证了我们的方法，结果表明其在承载载荷和抵抗扰动方面优于现有方法。