运动先验被重新想象：为复杂四足动物行驶适配平地技能

基于强化学习的运动仿真方法在演示数据上训练后能有效学习自然且富有表达力的运动，但常常难以泛化到新环境。我们通过提出一种分层强化学习框架来解决此问题，其中低层策略首先在平坦地面上学习仿真动物运动，以建立运动先验。随后，一个高层、以目标为条件的策略在这些先验之上学习残差纠正，以实现感知式 locomotion、局部障碍规避和目标导向导航，涵盖多样且崎岖的地形。仿真实验说明了所学残差在适应逐步增加的不平地形的同时，仍保持由运动先验提供的 locomotion 特征。此外，我们的结果表明，在类似的奖励设置下，采用运动先验训练的模型在运动正则化方面优于基线模型。真实世界的实验使用 ANYmal-D 四足机器人确认了我们的策略能够将动物样态的 locomotion 技能泛化到复杂地形，展示了在具有挑战性地形和障碍物的环境中，平滑且高效的 locomotion 以及局部导航性能。