重型液压四足机器人的模拟到现实迁移（Sim2Real）一直是技术瓶颈。一项研究通过构建基于真实数据的精准执行器模型，并结合强化学习，成功解决了该难题，显著提升了机器人在现实世界中的运动控制性能与稳定性。
智能速览
重型液压机器人存在显著的模拟与现实差异。
提出一种基于真实数据的新型执行器模型。
该模型能精准预测液压执行器的力矩。
结合强化学习训练的运动控制器性能显著提升。
实测机器人可稳定跟踪高达1m/s的高速指令。
精华内容
如何让庞大而复杂的液压机器人在现实中稳定行走，一直是机器人领域的挑战。一项研究通过构建一个高精度的执行器模型，显著提升了模拟训练策略在真实机器人上的表现。
Sim2Real的巨大鸿沟
将模拟环境中训练好的控制器应用到真实机器人上，存在巨大的挑战，这一现象被称为Sim2Real差异。对于重量超过300公斤、长度超过1.8米的重型液压四足机器人而言，这种挑战尤为突出。
由于其巨大的尺寸和重量，液压执行器响应缓慢、动态特性复杂且难以预测，导致其在真实世界中的行为与模拟环境中的表现相去甚远。传统的控制方法在模拟中表现良好，但在真实机器人上常常出现不稳定甚至失效的问题。
高精度执行器模型
为解决这一难题，研究人员提出了一种创新的执行器模型。该模型的核心是利用从真实机器人上采集的实际运动数据进行训练，而非依赖于理想化的理论假设。
通过输入关节的目标指令和当前状态，该模型能够精准预测每一瞬间的实际输出扭矩。实验数据显示，与典型的神经网络模型相比，这个新模型在预测真实扭矩数据方面具有更高的准确性，从而为模拟环境提供了更贴近现实的物理基础。
强化学习控制框架
研究团队将这个高精度的执行器模型集成到强化学习训练框架中。在这个框架里，运动控制策略（Policy）在模拟环境中进行训练，但模拟器使用了这个能够反映真实物理特性的执行器模型。
这意味着，智能体在学习过程中接触到的 dynamics 更加接近真实世界。通过这种方式训练出的控制器，从一开始就学会了如何应对真实液压系统的复杂性和不确定性，为后续的成功部署奠定了坚实基础。
实测性能对比
为了验证模型的有效性，研究团队将训练好的运动策略部署到了名为BeTheX-Q的真实液压机器人上进行测试。结果对比非常鲜明。
未使用新模型训练的扭矩控制器表现出步态不稳，无法跟踪高速指令；位置控制器则动作僵硬，足部离地高度低，难以适应高速行走要求。相比之下，采用新执行器模型训练的控制器展现了流畅且稳健的运动能力，能够稳定跟踪高达1米/秒的高速指令，在指令跟踪能力和稳定性上均表现出色。
