QuietWalk：面向多样鞋款的基于地面反作用力感知的人类oid locomotion 的物理信息强化学习
机器人学
2026-04-28 v1
摘要
人类oid机器人在人类中心环境（如家中、医院和办公室）中运行时，必须减轻脚踏地面冲击瞬态，因为冲击引起的振动和噪声会降低用户体验，并加速硬件磨损。然而，现有的低噪声 locomotion 训练常依赖运动学代理目标或脆弱的力传感器，鞋款导致的接触动力学变化引入的分布迁移阻碍了策略的泛化。我们提出QuietWalk，一个面向多样鞋款的地面反作用力感知人类oid locomotion 的物理信息强化学习框架。QuietWalk采用逆动力学约束的物理信息神经网络（PINN）从本体感知信号估计每脚的垂直地面反作用力（GRF），并将冻结的预测器集成到RL训练循环中，以无需在部署时使用力传感器的方式惩罚预测冲击力。在一个保留的真实机器人数据集上，强制逆动力学一致性使垂直GRF预测误差降低82%-86%，均方确定系数从0.39/0.67提升至0.99/0.99（左右脚）。在硬件上以1.2 m/s（裸脚；平均四种地板材料）进行实验，QuietWalk将平均A加权噪声水平降低7.17 dB，峰值噪声水平降低4.98 dB。跨鞋款实验（裸脚、滑板鞋、运动鞋和高跟鞋）覆盖多个表面，进一步展示了对鞋款引起的接触变异的稳健适应能力。
引用
@article{arxiv.2604.23702,
title = {QuietWalk: Physics-Informed Reinforcement Learning for Ground Reaction Force-Aware Humanoid Locomotion Under Diverse Footwear},
author = {Hanze Hu and Luying Feng and Silu Chen and Tianjiang Zheng and Dexin Jiang and Wei Chen and Chi Zhang and Guilin Yang and Yaochu Jin},
journal= {arXiv preprint arXiv:2604.23702},
year = {2026}
}
备注
8 pages,8 figures