传统人形机器人行走存在高冲击、高能耗的痛点。一项新研究提出在机器人脚底集成被动轮，通过强化学习实现轮滑步态，为人形机器人长时高效运动提供了全新思路。
智能速览
通过脚底集成被动轮，用轮滑替代传统落脚步态，显著降低冲击。
采用纯强化学习框架，无需预设步态轨迹即可自主学习。
相比传统行走，轮滑步态在实机中能耗降低63.34%。
仿真中地面冲击强度降低75.86%，有效减少关节磨损。
在瓷砖、橡胶、碎石等多种地面均能实现稳定轮滑，成功率100%。
精华内容
这一突破性进展的核心，在于将巧妙的硬件设计与先进的强化学习算法深度融合，共同解决了人形机器人运动效率的难题。
巧妙的轮滑足
研究人员设计了一款25自由度的人形机器人，其创新之处在于每只脚底集成了4个被动式直列轮。这种设计选择并非随意，小直径轮子能够有效降低踝关节所需力矩，更适配侧向推进的轮滑动力学特性。这为实现独特的swizzle轮滑步态提供了坚实的物理基础，是整个方案的硬件前提。
自学习的步态
控制策略并未采用传统的、依赖预设轨迹或相位变量的方法。取而代之的是一个纯深度强化学习框架。该框架仅通过几何约束、运动对称性和物理一致性作为奖励函数，引导机器人自主学习，从而“涌现”出高效的swizzle轮滑步态。这种方法避免了复杂的手工调参，赋予机器人更强的适应能力。
从仿真到现实
为了确保算法在真实世界中的有效性，研究团队采用了多阶段课程学习和域随机化技术。课程学习逐步提升任务难度，让机器人从零开始掌握轮滑技巧。同时，在仿真环境中随机化摩擦系数、质量和阻尼等物理参数，极大提升了模型的泛化能力，最终实现了稳定的sim-to-real迁移。
性能大幅跃升
实验结果验证了SKATER方案的优越性。在仿真环境中，轮滑步态的冲击强度相比等速行走降低了75.86%。在真实机器人上，其运输成本（CoT，衡量能效的关键指标）降低了63.34%。这意味着机器人用更少的能量完成了相同的任务，续航能力得到显著增强。此外，在瓷砖、橡胶、碎石等不同摩擦特性的地面上，该方案均实现了100%的直线轮滑成功率，展现出强大的鲁棒性。
中科大的这项研究为人形机器人的高效运动开辟了新路径，展示了硬件创新与智能算法结合的巨大潜力。未来，这种结合轮滑、行走甚至奔跑的多模态运动方式，是否将成为人形机器人的标配？
