VIP-Loco：面向四足 locomotion 的视觉引导无限时域规划框架

感知式 locomotion for 四足机器人需要预测和适应复杂的动态环境。模型预测控制（MPC）作为强大的基线，提供可解释的运动规划并实现约束强制，但在处理高维感知输入和快速变化的地形方面存在困难。相比之下，模型无监督强化学习（RL）在视觉上具有挑战的场景中表现良好，但缺乏规划能力。为填补这一鸿沟，我们提出了 VIP-Loco，一个集成视觉场景理解与 RL 和规划的框架。在训练期间，内部模型将本体感知状态和深度图像映射到用于 RL 策略的紧凑 kinodynamic 特征。在部署时，使用所学习的模型纳入无限时域 MPC 框架中，将可适应性与结构化规划相结合。我们在模拟环境中对 VIP-Loco进行了验证，包括斜坡、楼梯、爬行、倾斜、跨越裂缝跳跃和攀爬等具有挑战性的 locomotion 任务，涵盖三种机器人形态：四足机器人（Unitree Go1）、两足机器人（Cassie）和轮四足机器人（TronA1-W）。通过消融实验和与最先进方法的比较，我们表明 VIP-Loco 统一了规划与感知，实现了在多样化环境中稳健、可解释的 locomotion。