FR-Net：通过质量-接触预测在挑战性地形上学习稳健的四足动物跌倒恢复
机器人学
2025-09-16 v1
摘要
四足机器人的跌倒恢复仍然具有挑战性，尤其是在复杂地形上，传统控制器由于地形感知不完整和交互不确定而难以工作。我们提出了\textbf{FR-Net}，一种基于学习的框架，使四足机器人能够在多样化环境中从任意跌倒姿态中恢复。我们方法的核心是一种质量-接触预测网络，从有限的感知输入中估计机器人的质量分布和接触状态，以实现有效的恢复策略。我们精心设计的奖励函数确保即使在陡峭的楼梯上也能实现安全恢复，而不会发生传统方法常见的危险滚动运动。在完全使用特权学习在仿真环境中训练的基础上，我们的框架在部署时无需明确的地形数据。我们在仿真中展示了\textbf{FR-Net}在不同四足平台上的泛化能力，并通过在10个具有挑战性场景中的Go2机器人进行大规模实际实验进行验证。我们的结果表明，显式的质量-接触预测是实现稳健跌倒恢复的关键，为通用的四足技能提供了有前景的方向。
引用
@article{arxiv.2509.11504,
title = {FR-Net: Learning Robust Quadrupedal Fall Recovery on Challenging Terrains through Mass-Contact Prediction},
author = {Yidan Lu and Yinzhao Dong and Jiahui Zhang and Ji Ma and Peng Lu},
journal= {arXiv preprint arXiv:2509.11504},
year = {2025}
}
备注
Published in IEEE Robotics and Automation Letters, Vol. 10, No. 7, pp. 6632-6639, 2025