感知人形体攀爬：通过运动匹配链式动态人类技能

尽管近期的人形体 locomotion 取得了在各种地形上实现稳定行走的进展，但捕捉高度动态人类运动的灵活性和适应性仍是开放的挑战。特别是对于复杂环境中的敏捷攀爬，除了需要低层次的鲁棒性外，还需要人类式的运动表达性、长期技能组合以及感知驱动的决策。本文提出了感知人形体攀爬（PHP）框架，该框架使人形体机器人能够在挑战性障碍课程上实现自主的、基于视觉的长期攀爬。我们的做法首先利用运动匹配技术，将其建模为特征空间中的最近邻搜索，用于将 retargeted 的原子人类技能组合成长期运动学轨迹。该框架使复杂技能链的灵活组合和平滑转换成为可能，同时保留动态人类运动的优雅与流畅性。接下来，我们训练运动跟踪强化学习（RL）专家策略，用于这些组合运动，并将其蒸馏到一个基于深度的、多技能学生策略中，使用 DAgger 和 RL 的组合方法。关键在于，感知与技能组合的结合使得自主、情境感知的决策成为可能：仅凭 onboard 深度感知和离散 2D 速度命令，机器人即可选择并执行是跨越、攀爬、跳跃或滚动通过高度和几何形状不同的障碍。我们在 Unitree G1 人形体机器人上进行了大量现实世界实验，展示了包括攀爬高度达机器人 96% 高度（1.25m）的高度动态攀爬技能，以及在闭环适应真实障碍扰动的情况下实现的多障碍长期遍历。