面向形态条件的硬件无关型四足机器人世界模型
机器人学
2026-04-13 v1 机器学习
摘要
世界模型承诺着范式转变，使智能体能够学习环境的底层物理规律，从而实现高效规划与行为学习。然而，当前的世界模型往往是硬件绑定的专家：在 Boston Dynamics Spot 机器人上训练的模型因运动学和动力学属性不匹配，在 Unitree Go1 上会 catastrophic 失败，因为模型过拟合到特定的本体制约，而非捕捉通用的 locomotion 动力学。因此， actuators 的 slightest 变化或肢体长度变化都需要从头训练新模型。本文致力于构建一种可泛化的四足机器人世界模型（QWM），以 disentangle 环境动力学与机器人形态。我们解决了隐式系统辨识的局限性——将静态物理属性（如质量或肢体长度）视为从运动历史中推断的潜在变量，会导致适应性滞后，妨碍 zero-shot 安全性与效率。相反，我们显式地将生成式动力学条件化于机器人的工程规格。通过集成物理形态编码器与奖励正规化器，我们使模型能够作为神经模拟器，泛化跨越不同形态。此能力解锁了不同本体配置的 zero-shot 控制能力。我们首次引入的世界模型实现了对新形态的 zero-shot 泛化。尽管我们仔细研究了方法的局限性，QWM 作为四足形态家族内的分布受限插值器，而非通用物理引擎；本工作代表了向四足 locomotion 形态条件化世界模型迈出的重要一步。
引用
@article{arxiv.2604.08780,
title = {Toward Hardware-Agnostic Quadrupedal World Models via Morphology Conditioning},
author = {Mohamad H. Danesh and Chenhao Li and Amin Abyaneh and Anas Houssaini and Kirsty Ellis and Glen Berseth and Marco Hutter and Hsiu-Chin Lin},
journal= {arXiv preprint arXiv:2604.08780},
year = {2026}
}