面向人形机器人引体向上性能的进化连续自适应强化学习协同设计
机器人学
2025-10-01 v1
摘要
人形机器人在设计与控制方面均取得了显著进展，且越来越强调整合这两个方面以提升整体性能。传统上，机器人设计遵循顺序流程，即在硬件定型后再开发控制算法。然而，这种做法可能目光短浅，阻碍机器人充分发挥其硬件能力。近期的方法提倡协同设计，即并行优化设计与控制，以最大化机器人的能力。本文提出了基于进化连续自适应强化学习的协同设计（EA-CoRL）框架，该框架结合了强化学习（RL）与进化策略，使控制策略能够持续适应硬件。EA-CoRL包含两个关键组成部分：设计进化，利用进化算法探索硬件选择以识别高效配置；以及策略连续自适应，在进化中的设计上微调任务特定的控制策略，以最大化性能奖励。我们通过为RH5人形机器人的高动态引体向上任务协同设计执行器（减速比）和控制策略来评估EA-CoRL，该任务此前因执行器限制而无法实现。与最先进的基于RL的协同设计方法的对比结果表明，EA-CoRL获得了更高的适应度分数和更广泛的设计空间探索，突显了连续策略自适应在机器人协同设计中的关键作用。
引用
@article{arxiv.2509.26082,
title = {Evolutionary Continuous Adaptive RL-Powered Co-Design for Humanoid Chin-Up Performance},
author = {Tianyi Jin and Melya Boukheddimi and Rohit Kumar and Gabriele Fadini and Frank Kirchner},
journal= {arXiv preprint arXiv:2509.26082},
year = {2025}
}