基于生物仿生步态策略的四足机器人柔性 locomotion 学习

四足机器人必须适应不确定环境中的步态，以实现有效导航。这一挑战动物轻松掌握。然而，大多数深度强化学习方法依赖固定步态，限制了对地形和动态状态变化的适应性。本文表明，集成动物 locomotion 三项核心原则——步态转换策略、步态记忆和实时运动调整——可实现无外部感知的 DRL 控制框架，实现多个步态的流畅切换并恢复不稳定状态。该框架由仿生力学指标驱动，综合效率、稳定性和系统限制，指导最优步态选择。所得框架在多样化真实地形上实现盲目零样部署，显著优于基线控制器。通过将生物学原理嵌入数据驱动控制，本工作为稳健、高效和通用的机器人 locomotion 铺路，凸显了动物运动智能如何塑造下一代自适应机器人的潜力。