机器人影子游戏：窄型隧道遍历的四足 locomotion

四足机器人在搜索救援任务和基础设施检查等关键应用中展示出Navigating复杂地形的巨大潜力。然而，对受限三维环境（包括隧道、洞穴和倒塌结构）的自主遍历仍是一个重大挑战。现有方法常常在刚性行走模式、对多样几何形状的适应性以及对过于简化环境假设的依赖方面表现不佳。本文引入一种强化学习RL框架，结合程序化环境生成与策略蒸馏，使机器人能够跨越各种隧道配置实现稳健 locomotion。我们的方法采用教师-学生训练范式，使在程序化生成的隧道几何形状上训练的专用专家策略将其知识传递给统一的学生策略。该策略消除了端到端RL训练中复杂奖励塑形的需求，通过将复杂任务分解为更小更易于机器人学习的组件来简化过程。在训练期间通过合成多样化隧道结构，并将导航策略蒸馏到通用可 generalization的策略后，我们的方法在复杂空间约束下实现了一致的遍历，其中传统方法会失败。我们通过仿真和真实世界实验表明，本方法使四足机器人能够成功遍历具有挑战性的受限隧道环境。