Agile Continuous Jumping in Discontinuous Terrains

我们专注于四足机器人在楼梯和跳石等不连续地形中的敏捷、连续和适应地形的跳跃。与单步跳跃不同，连续跳跃需要精确地执行长时间内高度动态的动作，这对现有方法是具有挑战性的。为了完成这个任务，我们设计了一个分层学习和控制框架，其中包括一个学习的高度图预测器，用于稳健的地形感知，一个基于强化学习的重心级运动策略，用于多功能和适应地形的规划，以及一个基于模型的低级腿部控制器，用于精确的运动跟踪。此外，我们通过准确建模硬件特性来最小化模拟到现实的差距。我们的框架使Unitree Go1机器人首次能够在人类大小的楼梯和稀疏的跳石上进行敏捷和连续的跳跃。特别地，机器人可以在每次跳跃中穿过两个台阶，并在4.5秒内完成一个长达3.5米、高达2.8米、14个台阶的楼梯。此外，相同的策略在各种其他跑酷任务中优于基线，如跳过单个水平或垂直不连续性。实验视频可在https://yxyang.github.io/jumping_cod/找到。

论文旨在解决四足机器人在不连续地形中的连续、敏捷和适应性跳跃问题。

论文提出了一种分层学习和控制框架，包括高度图预测器、基于强化学习的质心级动作策略和低级模型控制器，以实现机器人在不同地形中的跳跃。

论文中的实验表明，该框架使Unitree Go1机器人能够在人类大小的楼梯和稀疏的台阶上进行敏捷和连续的跳跃，跨越两个楼梯步骤的跳跃，完成了长达3.5米、高达2.8米、14级楼梯的跳跃。此外，该策略在各种其他跑酷任务中也优于基线。

最近的相关研究包括： 1. “Robust Terrain Perception for Quadrupedal Locomotion on Steep and Rocky Terrain”，作者：Yunlong Song等； 2. “Generalizing Reactive Leg Control for Agile Quadrupedal Locomotion”，作者：Jemin Hwangbo等。