彻底消除盲区：面向挑战性地形的视觉驱动全向双足 locomotion 学习
机器人学
2026-03-18 v2 人工智能
摘要
在动态环境中实现有效的双足 locomotion 至关重要，例如狭窄的室内空间或不平坦的地形，要求机器人在所有方向上都具备敏捷和自适应的运动能力。这 necessitates全向地形感知和能够处理此类输入的控制器。我们提出了一种用于视觉驱动全向双足 locomotion 的学习框架，使机器人能够利用深度图像实现无缝运动。一个关键挑战是，在仿真中渲染全向深度图像的计算成本极高，使得传统的仿真到现实强化学习（RL）方法难以实施。我们的方法结合了鲁棒的盲控控制器与教师策略，后者监督训练基于噪声增强地形数据的视觉型学生策略，从而在RL期间避免高成本的渲染，确保鲁棒性。我们还引入了一种用于监督式学生训练的数据增强技术，使训练速度相较于传统方法提高最高可达10倍。我们的框架经仿真和实际测试验证，展示了在最小依赖昂贵渲染的情况下实现了有效的全向 locomotion。据我们了解，这是首次实现了视觉驱动的全向双足 locomotion，凸显了其对多样化地形的适应性。
关键词
引用
@article{arxiv.2508.11929,
title = {No More Blind Spots: Learning Vision-Based Omnidirectional Bipedal Locomotion for Challenging Terrain},
author = {Mohitvishnu S. Gadde and Pranay Dugar and Ashish Malik and Alan Fern},
journal= {arXiv preprint arXiv:2508.11929},
year = {2026}
}