利用个人交通平台提升四足机器人导航效率

四足机器人因依赖腿部 locomotion 而面临长距离导航效率的局限。为缓解这一局限，我们引入一种基于强化学习的主动运输携带方法（\textit{RL-ATR}），灵感来自人类对个人携带工具的利用，包括滑行板。\textit{RL-ATR} 具备运输携带策略和两个状态估计器。策略根据运输携带的特定控制动力学制定恰当的操控策略，而估计器通过推断不可观测的机器人和运输携带状态来解决非惯性坐标系中的传感器模糊。综合的仿真评估验证了该方法在各种运输携带-机器人模型下的熟练命令跟踪能力，并显示出比腿式 locomotion 更低的能源消耗。此外，我们进行了消融研究来量化 \textit{RL-ATR} 中各个组成部分的贡献。这种携带能力可能拓宽四足机器人的 locomotion 模式，从而可能扩大其操作范围和效率。