VB-Com：针对感知受限的人类oid复合 locomotion 学习
机器人学
2025-06-03 v2
摘要
leg locomotion的性能密切取决于状态观测的准确性和完整性。仅依赖 proprioception 的blind policy因其可靠的感知观测而被视为高度稳健的策略。然而，这些策略显著限制了 locomotion速度，往往需要与地形发生碰撞才能适应。在 contrastively，Vision policy允许机器人提前规划运动，并能在线感知模块的帮助下对非结构化地形做出反应。然而，感知常常因噪声的真实环境、潜在的传感器故障以及当前仿真呈现动态或可变形地形的局限性而受到削弱。由于其高自由度和本质上不稳定的形态，humanoid robot尤其容易受到感知不足的误导，这可能导致在具有挑战性的动态地形上发生跌倒或任务中止。为了发挥两者的优势，我们提出VB-Com，一种复合框架，使humanoid robot能够在感知受限时确定何时依赖Vision policy，何时切换到blind policy。我们演示了VB-Com能够有效地让humanoid robot在动态地形或感知噪声导致的感知不足情况下遍历具有挑战性的地形和障碍。
引用
@article{arxiv.2502.14814,
title = {VB-Com: Learning Vision-Blind Composite Humanoid Locomotion Against Deficient Perception},
author = {Junli Ren and Tao Huang and Huayi Wang and Zirui Wang and Qingwei Ben and Junfeng Long and Yanchao Yang and Jiangmiao Pang and Ping Luo},
journal= {arXiv preprint arXiv:2502.14814},
year = {2025}
}