BiRoDiff: Diffusion policies for bipedal robot locomotion on unseen terrains

在未知地形上行走对于双足机器人应对新的现实挑战至关重要，因此扩展了它们在灾难响应和探索中的实用性。在这项工作中，我们介绍了一个轻量级的框架，学习一个单一的步行控制器，能够在多种地形上行走。我们设计了一个基于扩散模型的实时机器人控制器，它不仅可以在一个策略中捕捉具有不同速度的多种行为，而且还可以很好地推广到未知的地形上。我们的控制器使用离线数据进行学习，这比在线学习更好，因为在可扩展性、训练方案的简单性等方面更加优秀。我们在自己定制的双足机器人模型Stoch BiRo上，在仿真环境中设计和实现了一个基于扩散模型的策略控制器。我们展示了它的泛化能力和高频率控制步骤的生成，相对于需要巨大的计算资源的典型生成模型。

本论文旨在解决双足机器人在未知地形上的行走问题，提出了一种基于扩散模型的轻量级框架，学习单个步态控制器以适应多种地形。

论文提出了一种基于扩散模型的实时机器人控制器，能够在单个策略中捕获不同速度的多种行为，并且具有良好的泛化能力。

论文使用自定义的双足机器人模型Stoch BiRo进行了仿真实验，证明了控制器的泛化能力和高频控制步骤生成能力。同时，该控制器使用离线数据学习，相比在线学习具有可扩展性和训练方案简单等优点。

近期在该领域的相关研究包括：'Dynamic Terrain Adaptation for Legged Robots: A Survey'，'Terrain-adaptive Locomotion Control for Quadruped Robots with Deep Reinforcement Learning'等。