RuN：面向自然人形机器人运动的残差策略
机器人学
2025-09-26 v1
摘要
使人形机器人能够在广泛的速度范围内实现自然和动态的运动，包括从行走平滑过渡到跑步，是一项重大挑战。现有的深度强化学习方法通常要求策略直接跟踪参考运动，迫使单一策略同时学习运动模仿、速度跟踪和稳定性维持。为解决这一问题，我们引入了RuN，一种新颖的解耦残差学习框架。RuN通过将预训练的条件运动生成器（提供运动学上自然的运动先验）与学习轻量级残差修正以处理动态相互作用的强化学习策略配对，来分解控制任务。在仿真和真实环境中的Unitree G1人形机器人上的实验表明，RuN在广泛的速度范围（0-2.5 m/s）内实现了稳定、自然的步态和平滑的行走-跑步转换，在训练效率和最终性能方面均优于最先进的方法。
引用
@article{arxiv.2509.20696,
title = {RuN: Residual Policy for Natural Humanoid Locomotion},
author = {Qingpeng Li and Chengrui Zhu and Yanming Wu and Xin Yuan and Zhen Zhang and Jian Yang and Yong Liu},
journal= {arXiv preprint arXiv:2509.20696},
year = {2025}
}