注意脚下：面向人形机器人行走的预期感知
研究提出一种轻量落脚点预测模型（FPM），仅用本体感觉和速度指令预测未来落脚点，并只在预测落脚点周围的小块区域采样高程图，从而在策略输入前剔除冗余地形信息。FPM 与行走策略联合训练，并随步态成熟定期用新 rollout 重训。该方法达到给定地形难度所需训练迭代约为使用完整高程图的 1/3，在落脚点稀疏的狭窄围墙走廊和未见地形上优于完整高程图策略，性能与数倍成本训练的注意力编码器相当。策略零样本迁移至 Unitree G1 人形机器人，在室内外穿越障碍、楼梯、间隙和下行台阶。
发布于 10-22 13:00来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Watch Your Step: Anticipated Perception for Humanoid Locomotion》查看原链
arXiv:2610.29612v1 公告类型：新论文 摘要：感知式行走策略通常观测以机器人为中心的高程图，但只有下一步落脚点及其周围的地形会影响控制决策。 学习得到的编码器会压缩整个视觉输入，让策略在学习基础行走任务的同时自行判断哪些输入重要。
同时学习这两件事会拖慢训练，而且如果没有计算开销很大的注意力机制，策略就更难泛化到新地形。 我们改为在策略看到高程图之前先移除冗余输入。 一个轻量的落脚点预测模型（FPM）仅根据本体感觉和速度指令预测未来的落脚点，我们只在预测落脚点周围的小块区域内对高程图采样。
我们将该预测模型与行走策略一起训练，并随着机器人步态逐渐成熟，定期用新的策略 rollout 重新训练它。 这使得感知能够预判策略将在哪里落脚，而策略则学会利用这些落脚点周围的地形信息。 借助所提出的轻量预处理，策略达到给定地形难度所需的训练迭代次数约为使用完整高程图时的三分之一。
在落脚点稀疏的场景（包括狭窄的围墙走廊）以及未见过的地形上，它的表现优于观测完整高程图的策略，并且与以数倍成本训练的基于注意力的编码器相当。 该策略零样本迁移到 Unitree G1 人形机器人上，在室内外环境中穿越了超出训练分布的各种障碍、楼梯、间隙和下行台阶。