SafeFall：为人oid机器人学习防护控制
机器人学
2025-11-25 v1
摘要
双足行走使人oid机器人本质上容易倒下，导致对价值昂贵的传感器、执行器和结构组件造成不可接受的损坏。为解决这一阻碍实际部署的关键障碍，我们提出了一种框架，用于学习预测不可避免跌倒并执行防护机动以最小化硬件损坏。SafeFall设计为可无缝集成到现有正规控制器之中的方案，确保在正常运行期间不产生干扰。它结合了两个协同组件：一个轻量级的基于GRU的跌倒预测器持续监控机器人的状态，以及用于损伤缓解的强化学习策略。防护策略在预测器识别出不可避免的跌倒后保持 dormant 状态，随后接管控制并执行最小化损伤的响应。该策略通过一种新颖的、以损伤为导向的奖励函数进行训练，该函数包含机器人特定结构脆弱性，在学习如何保护头部和手部等关键组件的同时，吸收身体更稳健部件的能量。在一台全尺寸Unitree G1人oid机器人上进行的验证表明，SafeFall相对于未受保护的跌倒显著提升了性能。它将峰值接触力降低68.3%，峰值关节扭矩降低78.4%，并消除99.3%的脆弱组件碰撞。通过使人oid机器人能够安全失败，SafeFall为在复杂真实环境中更激进的实验提供了关键安全网，加速了这些机器人在复杂真实环境中的部署。
引用
@article{arxiv.2511.18509,
title = {SafeFall: Learning Protective Control for Humanoid Robots},
author = {Ziyu Meng and Tengyu Liu and Le Ma and Yingying Wu and Ran Song and Wei Zhang and Siyuan Huang},
journal= {arXiv preprint arXiv:2511.18509},
year = {2025}
}