Go2-W 轮足机器人用深度强化学习完成 2.8 公里真实环境自主导航
研究团队为商用轮足机器人 Go2-W 构建了基于深度强化学习的运动控制器与自主导航系统,并在 Tsukuba Challenge 2025 上完成约 2.8 公里路线测试,途经人行道、公园和楼梯,全程未因过热停机。团队将此前用于四足机器人的纯本体感知策略扩展到这台 16 自由度轮足机器人,并发现轮式行走会把负载集中在髋关节、造成热量聚集,为此设计了周期性抬脚动作来分散关节负载、缓解热量集中。
研究团队为商用轮足机器人 Go2-W 构建了基于深度强化学习的运动控制器与自主导航系统,并在 Tsukuba Challenge 2025 上完成约 2.8 公里路线测试,途经人行道、公园和楼梯,全程未因过热停机。团队将此前用于四足机器人的纯本体感知策略扩展到这台 16 自由度轮足机器人,并发现轮式行走会把负载集中在髋关节、造成热量聚集,为此设计了周期性抬脚动作来分散关节负载、缓解热量集中。
论文提出 PROOF 感知运动框架,让腿足机器人在严重视觉干扰下仍能稳定行走。方法采用两阶段师生学习,教师同时学习感知驱动与本体感知回退行为,学生预测外感知特征的不确定性并在分布外输入时抑制这些特征。
PoliMop 提出一种运动动力学 RRT 规划器,用物理仿真展开控制策略来评估机器人可达路径,并以简单质点模型的预规划路径引导采样,将规划时间最多缩短 63%。在四足、人形与轮式机器人仿真中,该方法可即插即用地接入不同机器人与控制策略,无需修改底层规划算法;预先设置的环境改造(如架板搭桥)会在机器人可达空间扩大后被规划器自动纳入。