KiRAS：面向四足机器人稳健与自适应技能学习的关键帧引导自拟人化

随着强化学习和拟人学习的不断进步，四足机器人能够通过拟人多个技能特定数据集来获取单个策略中的多样化技能。然而，复杂地形数据集的缺乏限制了该类多技能策略在非结构化环境中的泛化能力。受动画启发，我们采用关键帧作为最小且通用的技能表示，放宽数据集约束，使地形适应性与技能多样性能够有效结合。我们提出了面向四足机器人稳健与自适应技能学习的关键帧引导自拟人化框架KiRAS。该框架首先通过关键帧引导的自拟人化学习在平坦地形上获取多样化技能，无需专家数据集；随后在粗糙地形上继续训练相同的策略网络以提升鲁棒性。为消除灾难性遗忘，引入基于熟练度的技能初始化技术。在Solo-8和Unitree Go1机器人上的实验表明，KiRAS能够在挑战性地形上实现稳健的技能获取和顺畅的技能转换。该框架展示了其作为轻量级多技能生成和数据集收集平台的潜力，并进一步实现了增强挑战性地形上 locomotion 的灵活技能转换。