高阶形态先验提升四足机器人执行器降级下的强化学习
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Robotics执行器退化下四足机器人强化学习的高阶形态先验
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，在执行器退化训练中让节点-边-面 Hodge actor 在未见执行器退化上取得最高回报，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，已被 IROS Workshop BLPC 2026 接收。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.