Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.00488v1

帮助 | 高级搜索

计算机科学 > 机器人技术

arXiv:2505.00488v1 (cs)
[提交于 2025年5月1日 ]

标题: MULE:多地形和未知负载适应以实现有效的四足运动

标题: MULE: Multi-terrain and Unknown Load Adaptation for Effective Quadrupedal Locomotion

Authors:Vamshi Kumar Kurva, Shishir Kolathaya
摘要: 四足机器人越来越多地被用于各种地形的负重任务。虽然基于模型预测控制(MPC)的方法可以考虑负载变化,但它们通常依赖于预定义的步态计划或轨迹生成器,限制了它们在非结构化环境中的适应性。为了解决这些局限性,我们提出了一种自适应强化学习(RL)框架,使四足机器人能够动态适应不同的负载和多样的地形。该框架包括一个负责基本运动的基准策略和一个学习校正行为以在负载变化下保持稳定并提高命令跟踪的自适应策略。我们通过在Isaac Gym中的大规模仿真实验以及在Unitree Go1四足机器人上的真实硬件部署验证了所提出的方案。控制器在平坦地面、斜坡和楼梯上,在静态和动态负载变化下进行了测试。在所有设置中,我们的自适应控制器在跟踪身体高度和速度命令方面始终优于现有控制器,展示了增强的鲁棒性和适应性,而无需显式步态设计或手动调整。
摘要: Quadrupedal robots are increasingly deployed for load-carrying tasks across diverse terrains. While Model Predictive Control (MPC)-based methods can account for payload variations, they often depend on predefined gait schedules or trajectory generators, limiting their adaptability in unstructured environments. To address these limitations, we propose an Adaptive Reinforcement Learning (RL) framework that enables quadrupedal robots to dynamically adapt to both varying payloads and diverse terrains. The framework consists of a nominal policy responsible for baseline locomotion and an adaptive policy that learns corrective actions to preserve stability and improve command tracking under payload variations. We validate the proposed approach through large-scale simulation experiments in Isaac Gym and real-world hardware deployment on a Unitree Go1 quadruped. The controller was tested on flat ground, slopes, and stairs under both static and dynamic payload changes. Across all settings, our adaptive controller consistently outperformed the controller in tracking body height and velocity commands, demonstrating enhanced robustness and adaptability without requiring explicit gait design or manual tuning.
评论: 预印本正在审阅中
主题: 机器人技术 (cs.RO) ; 人工智能 (cs.AI)
引用方式: arXiv:2505.00488 [cs.RO]
  (或者 arXiv:2505.00488v1 [cs.RO] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.00488
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Vamshi Kumar Kurva [查看电子邮件]
[v1] 星期四, 2025 年 5 月 1 日 12:41:35 UTC (8,601 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.RO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号