深度强化学习中双足 locomotion 的 Sim-to-Real 迁移
机器人学
2025-11-11 v1
摘要
本章节聚焦于深度强化学习 (DRL) 在双足 locomotion 场景中的仿真到现实 (sim-to-real) 迁移这一关键挑战。在阐述各种控制架构背景后，我们剖析了“仿真诅咒”，分析 sim-to-real 差距的主要来源：机器人动力学、接触建模、状态估计以及数值求解器。基于这一诊断，我们将解决方案构建于两种互补的哲学之上：第一种是通过模型中心策略系统性地提高仿真器的物理保真度以缩小差距；第二种是增强策略，这种互补方法通过仿真中鲁棒性训练和部署后适应，使策略本身对模型不准确性更具韧性。本章节最后综合这两种哲学，提供清晰的路线图，以开发和评估健壮的 sim-to-real 解决方案。
引用
@article{arxiv.2511.06465,
title = {Sim-to-Real Transfer in Deep Reinforcement Learning for Bipedal Locomotion},
author = {Lingfan Bao and Tianhu Peng and Chengxu Zhou},
journal= {arXiv preprint arXiv:2511.06465},
year = {2025}
}
备注
Sim-to-real for bipedal locomotion chapter