CARO：用于四足机器人零样本鲁棒移动的接触无关残差观测方法

研究人员提出CARO，一种用于策略自适应的接触无关残差观测框架。该框架将固定基座的欧拉-拉格朗日模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身嵌入强化学习强化学习一种 AI 训练方法：让机器人在亿万次「试错」中自己摸索，做对了就给奖励。机器人走稳路、跑酷空翻，大多是这么练出来的。◆ 小白科普 · 现身控制回路，构建扭矩级残差观测，无需扭矩传感器传感器把力、光、距离等物理信号转换成电信号的元件，相当于机器人的「感官」。◆ 小白科普 · 现身、显式接触估计或基于视觉的浮动基座位置与线速度测量。干扰观测器提取代表动力学失配的结构化信号，策略学习利用该反馈进行在线自适应。CARO在与标称策略相同的地形、指令和域随机化条件下训练，无需专门的干扰课程或额外自适应监督。尽管如此，它在模拟和仿真到现实仿真到现实Sim2Real先让机器人在虚拟环境训练，再把学到的能力迁移到真实机器。◆ 小白科普 · 现身迁移任务中显著提升了零样本鲁棒性，这些任务涉及分布外负载、质心偏移、地形几何变化、突变动力学以及高台着陆。