基于LIPM的强化学习实现双足机器人稳定且具感知性的 locomotion
机器人学
2025-10-21 v2
摘要
在非结构化户外环境中实现双足机器人的稳定和鲁棒感知 locomotion 仍是关键挑战，由于复杂的地形几何和易受外部扰动的特性。本文提出了一种灵感来自线性倒置摆模型(LIPM)的新型奖励设计，使双足机器人在野外实现感知且稳定的 locomotion。LIPM 通过调节中心 of mass(CoM)高度和胸部姿态提供动态平衡的理论指导。这些是地形感知 locomotion 的关键因素，因为它们有助于确保机器人摄像头的稳定视角。基于此洞察，我们设计了一个奖励函数，旨在促进平衡和动态稳定性，同时鼓励精确的 CoM 轨迹跟踪。为在速度跟踪和稳定性之间自适应权衡，我们利用奖励融合模块(RFM)方法在所需时优先考虑稳定性。采用双 critic 架构分别评估稳定性和 locomotion 目标，提高了训练效率和鲁棒性。我们通过在双足机器人上进行大量实验，在模拟和真实世界户外环境中进行验证。结果表明，该方法在各种速度和感知条件下都表现出卓越的地形适应性、扰动抑制能力和一致性。
关键词
引用
@article{arxiv.2509.09106,
title = {LIPM-Guided Reinforcement Learning for Stable and Perceptive Locomotion in Bipedal Robots},
author = {Haokai Su and Haoxiang Luo and Shunpeng Yang and Kaiwen Jiang and Wei Zhang and Hua Chen},
journal= {arXiv preprint arXiv:2509.09106},
year = {2025}
}