鲁棒全四足动作策略的采样策略
机器人学
2025-10-09 v1
摘要
本工作聚焦于用于生成鲁棒的全四足动作策略的配置变体采样策略。我们研究了采样物理机器人参数和关节比例-微分增益的效果，以便训练单个强化学习策略以概括多个参数配置。比较了三种基本的关节增益采样策略：(1) 质量到增益的线性和多项式函数映射参数采样、(2) 基于性能的自适应滤波、(3) 均匀随机采样。我们通过偏向使用名义先验和参考模型来增强策略的鲁棒性。所有训练均在 RaiSim 上完成，在多样化的四足动物仿真中进行测试，并零样本部署到硬件上使用 ANYmal 四足机器人。与多个基线实现相比，我们的结果表明，对于鲁棒地缩小仿真到现实的鸿沟，确实需要对关节控制增益进行显著的随机化。
引用
@article{arxiv.2510.07094,
title = {Sampling Strategies for Robust Universal Quadrupedal Locomotion Policies},
author = {David Rytz and Kim Tien Ly and Ioannis Havoutis},
journal= {arXiv preprint arXiv:2510.07094},
year = {2025}
}