TRANS：基于地形的四足机器人社交导航强化学习
机器人学
2026-04-01 v2
摘要
本研究引入了 TRANS：面向社交互动的地形感知四足机器人灵活导航强化学习框架，这是一种深度强化学习 (DRL) 框架，旨在实现四足机器人在非结构化地形上的社交导航。传统的四足机器人导航方法通常将运动规划与运动控制分离，忽略全身约束和地形感知。相反，端到端方法更为集成，但需要高频感知，而这些感知往往噪声大且计算成本高。此外，大多数现有方法假设为静态环境，限制了其在人群密集场景中的应用。为此，本文提出了三个 DRL 流程的两阶段训练框架。(1) TRANS-Loco 采用非对称 actor-critic (AC) 模型实现四足 locomotion，使其能够在无显式地形或接触观测的情况下遍历不平坦地形。(2) TRANS-Nav 应用对称 AC 框架进行社交导航，直接将变换后的激光雷达数据映射到本体代理动作，以满足差分驱动运动学。(3) 统一的 TRANS 流程集成 TRANS-Loco 和 TRANS-Nav，支持在不平坦且具有社交互动的环境中的地形感知四足机器人导航。综合的基准测试表明 TRANS 在 locomotion 和社交导航任务上的有效性。硬件实验进一步证明其在仿真到现实迁移中的潜力。
引用
@article{arxiv.2602.12724,
title = {TRANS: Terrain-aware Reinforcement Learning for Agile Navigation of Quadruped Robots under Social Interactions},
author = {Wei Zhu and Irfan Tito Kurniawan and Ye Zhao and Mitsuhiro Hayashibe},
journal= {arXiv preprint arXiv:2602.12724},
year = {2026}
}