SkateNav：被动轮四足机器人滑行导航框架实现零样本迁移
研究者提出基于强化学习的SkateNav框架，让被动轮四足机器人自主学习滑行、蹬地与转向的时序分配，并在真实环境中完成零样本迁移。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
来自arXiv的一篇论文提出SkateNav，一种面向被动轮四足机器人四条腿走路的机器人，也就是常说的「机器狗」。比双足更稳、技术更成熟，常用于巡检、科研和陪伴，也是很多人形机器人公司的技术起点。◆ 小白科普 · 现身的滑行导航框架。被动轮四足机器人四条腿走路的机器人，也就是常说的「机器狗」。比双足更稳、技术更成熟，常用于巡检、科研和陪伴，也是很多人形机器人公司的技术起点。◆ 小白科普 · 现身依靠腿部驱动推进和动量滑行实现移动，能效较高，但导航时需协调转向与间歇推进，并根据任务需求调整蹬地—滑行的时机。论文指出，速度跟踪类目标可能抑制滑行固有的速度变化，不利于高效滑行。为此，研究团队采用强化学习一种 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 · 现身构建统一框架，以带时间预算的到达目标让策略同时学习转向、推进及两者的时间分配；自适应滑行周期组织滑行、蹬地和恢复阶段，并在每个控制步骤进行频率调制，按导航需求调整各阶段时长。仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身实验显示，该方法在平均成功率和运输成本上优于所对比的规划器—控制器基线，消融实验验证了周期结构与频率自适应各自的贡献。
真实实验中，策略从仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身零样本迁移至被动轮Mini Cheetah，在杂乱室内空间、坡道和铺装室外路面完成测试。项目页面提供补充视频。