QuadKAN：基于端到端强化学习的 KAN 增强型四足运动控制

我们致力于解决基于视觉引导的四足运动控制问题，并强调将本体感知与视觉相结合以实现鲁棒控制的必要性。我们提出了 QuadKAN，一种通过 Kolmogorov-Arnold 网络（KAN）实例化的样条参数化跨模态策略。该框架包含一个用于本体感知的样条编码器和一个用于本体感知-视觉输入的样条融合头。这种结构化的函数类将状态到动作的映射与步态的逐段平滑特性对齐，从而提高了样本效率，减少了动作抖动和能量消耗，并提供了可解释的姿态-动作灵敏度。我们采用了多模态延迟随机化（MMDR），并使用近端策略优化（PPO）进行端到端训练。在包括平坦和不平坦表面以及静态或动态障碍物场景在内的多种地形上的评估表明，与最先进的基线方法相比，QuadKAN 始终能获得更高的回报、更远的移动距离和更少的碰撞。这些结果表明，样条参数化策略为鲁棒的视觉引导运动提供了一种简单、有效且可解释的替代方案。代码仓库将在论文被接收后公开。