MoRE：用于复杂地形上仿人机器人逼真步态学习的残差专家混合模型

使用基于强化学习（RL）的方法，仿人机器人已展现出鲁棒的移动能力。此外，为了获得类人行为，现有方法在 RL 框架中集成了人体运动跟踪或运动先验。然而，这些方法仅限于仅依赖本体感知的平坦地形，限制了它们以类人步态穿越挑战性地形的能力。在这项工作中，我们提出了一种新颖的框架，该框架使用带有多重判别器的潜在残差专家混合模型来训练 RL 策略，使其能够利用外部感知，以可控的逼真步态穿越复杂地形。我们的两阶段训练流程首先教会策略使用深度相机穿越复杂地形，然后实现类人步态模式之间的步态指令切换。我们还设计了步态奖励来调整类人行为，如机器人基座高度。仿真和真实世界实验表明，我们的框架在穿越复杂地形方面表现出卓越的性能，并实现了多种类人步态模式之间的无缝过渡。