MULE：面向有效四足运动的多地形与未知负载自适应

四足机器人正越来越多地被部署于在各种地形中执行载重任务。虽然基于模型预测控制（MPC）的方法可以考虑有效载荷变化，但它们通常依赖于预定义的步态调度或轨迹生成器，限制了其在非结构化环境中的适应性。为了解决这些局限性，我们提出了一种自适应强化学习（RL）框架，使四足机器人能够动态适应变化的载荷与多样的地形。该框架由负责基线运动的标称策略与学习修正动作以在载荷变化下保持稳定性并改善指令跟踪的自适应策略组成。我们通过在 Isaac Gym 中的大规模仿真实验以及在 Unitree Go1 四足机器人上的真实硬件部署验证了所提方法。该控制器在静态和动态载荷变化下，于平地、斜坡和楼梯上均进行了测试。在所有设置中，我们的自适应控制器在跟踪机体高度和速度指令方面始终优于基线控制器，展现出增强的鲁棒性与适应性，且无需显式步态设计或人工调参。