跨形态学习：统一的人类机器人策略实现零样图恢复
机器人学
2025-12-16 v1 机器学习
摘要
fall recovery 是人类机器人在动态环境中（如 RoboCup）的关键技能，其中长时间的停机往往决定比赛结果。最近的技术使用深度强化学习（DRL）已产生鲁棒的起身行为，但现有方法需要为每种机器人形态分别训练策略。本文提出单一 DRL 策略，能够在具有不同身高（0.48 - 0.81 m）、重量（2.8 - 7.9 kg）和动力学的七种人类机器人之间进行 fall recovery。采用 CrossQ 训练，该统一策略在未见形态上实现 86 +/- 7%（95% 可信区间 [81, 89]）的零样迁移，消除对机器人特定训练的需求。 comprehensive leave-one-out 实验、形态比例分析和多样性消除实验表明，针对性的形态覆盖可提升零样泛化。在某些情况下，共享策略甚至优于 specialist baseline。这些发现说明了形态无关控制在 fall recovery 方面的实用性，为通用人类机器人控制奠定了基础。该软件已开源，地址为：https://github.com/utra-robosoccer/unified-humanoid-getup
引用
@article{arxiv.2512.12230,
title = {Learning to Get Up Across Morphologies: Zero-Shot Recovery with a Unified Humanoid Policy},
author = {Jonathan Spraggett},
journal= {arXiv preprint arXiv:2512.12230},
year = {2025}
}
备注
Accepted at 28th RoboCup International Symposium