高阶形态先验提升四足机器人执行器降级下的强化学习

该研究面向四足机器人在执行器退化下的强化学习控制问题，提出以高阶形态先验作为归纳偏置。研究将 Unitree Go1 表示为含肢体级与身体级 rank-2 单元的 cell complex，并采用基于 Hodge 的消息传递进行建模。在执行器退化训练中，节点-边-面 Hodge actor 在未见执行器退化场景下取得最高回报，同时存活率更高、速度跟踪误差更低。论文认为高阶形态可作为全身补偿的有效归纳偏置，该工作已被 IROS Workshop BLPC 2026 接收。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。