Walk the PLANC：基于物理引导的强化学习用于受限脚掌人形 locomotion
机器人学
2026-01-13 v1
摘要
双足人形机器人在受限脚掌（如踏石头、梁柱和板子）上 locomotion 时必须精确协调平衡、时机和接触决策——即使细微的错误也可能导致灾难性失败。经典的优化和控制管道在处理这些约束方面表现良好，但依赖高度准确的地形几何数学表示，这使得它们在感知噪声或不完整时容易出错。而强化学习显示出对干扰和建模误差的强大韧性，但端到端的策略很少发现针对不连续地形所需的精确脚掌放置和步序列。这些相互制约的局限性激励了一种以物理为基础的结构引导学习的方法，而不是仅依赖奖励塑造。在本工作中，我们引入了一个 locomotion 框架，其中简化的步态规划器提供动态一致的运动目标，通过控制 Lyapunov 函数（CLF）奖励来引导 RL 训练过程。这种结构化脚步规划和数据驱动适应的结合在人形机器人上实现了准确、敏捷且经验证的踏石头 locomotion，显著优于传统无模型强化学习基线的可靠性。
引用
@article{arxiv.2601.06286,
title = {Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds},
author = {Min Dai and William D. Compton and Junheng Li and Lizhi Yang and Aaron D. Ames},
journal= {arXiv preprint arXiv:2601.06286},
year = {2026}
}