什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

中科大:让机器人学会走路翻滚爬箱子

人形机器人的运动控制长期面临“专才不专,通才不通”的困境。传统控制方法通常针对行走、起身等单一技能进行训练,难以在同一策略中兼顾复杂地形移动、摔倒恢复和全身协调动作。中科大、中国电信人工智能研究院及哈尔滨工程大学联合提出了X-Loco框架,旨在通过一种“协同策略蒸馏”方法,将多个专家策略融合为单一通用策略,使机器人仅凭视觉和速度指令即可完成复杂运动任务,实现真正意义上的通用人形运动控制。
01核心技术框架:协同策略蒸馏
X-Loco的核心在于解决多任务训练中的冲突问题。它不直接训练一个全能策略,而是先分别训练适应不同场景的专家策略,再通过蒸馏技术将其融合。该过程包含多专家蒸馏框架、CASS自适应专家选择、SAR专家退火采样和SFI随机跌倒注入四大关键模块。
  • 多专家蒸馏框架:分别训练直立行走、跌倒恢复、全身协调三个专家策略,通过蒸馏技术将其融合为单一通用策略,有效避免多任务训练时的冲突。
  • CASS自适应专家选择:根据机器人头部高度与环境信息,动态选择最合适的专家策略,实现行走、翻滚、起身等动作之间的无缝自动切换。
  • SAR专家退火采样:在训练初期更多依赖专家轨迹进行引导,随着学习进展逐渐减少专家干预,让模型逐步学会自主探索复杂动作。
  • SFI随机跌倒注入:在正常运动过程中随机施加外力,模拟真实突发情况,强制机器人学习在跌倒后恢复平衡的能力。
02视觉驱动与任务表现
该框架摆脱了对参考动作轨迹的依赖,仅依赖深度图(视觉)和本体感知(如速度、姿态)即可完成高难度动作。实验显示,X-Loco赋予机器人在复杂环境下的通用运动能力,包括楼梯攀爬、箱体翻越、滚动穿越等,展现了极强的适应性和鲁棒性。
能力维度传统单一策略控制X-Loco通用策略控制
技能覆盖行走或起身等单一技能行走、翻滚、爬箱、起身等多技能融合
感知依赖通常依赖本体感知,需参考动作轨迹仅依赖深度图和本体感知,无需参考轨迹
环境适应难以适应复杂地形变化可完成楼梯攀爬、翻越箱体等复杂地形任务
抗干扰能力突发跌倒后难以恢复通过随机跌倒注入训练,可自主恢复平衡

X-Loco与传统人形机器人控制策略对比

评论

评论区空态插画

当前文章无评论,是时候发表评论了