GaitSpan：从行走到奔跑的人形机器人步态扩展

人形机器人领域长期面临一个难题：当机器人需要从行走进化为奔跑时，通常需要从头开始重新学习运动技能。现有的方法往往依赖预定义步态计划、模仿运动片段或训练多个专家策略再切换，这些方法虽然能产生令人印象深刻的行为，但在连续速度指令、不同地形和形态上的灵活性有限。例如，预设步态计划无法适应实时速度变化，而多专家切换策略在延迟和稳定性上存在挑战。

针对这一挑战，Kwan-Yee Lin及其团队提出了GaitSpan框架，该框架将预训练的基础行走策略作为“种子技能”，通过三个关键模块将其扩展为更快的步态。首先，节奏生成模块利用多个内部时钟调制冻结的行走策略，并学习基于指令的组合方式，从而产生适应不同速度的规范动作。内部时钟的速度和相位可独立调节，使得机器人能够在步态周期内灵活调整节奏。其次，步幅塑造模块采用受弹簧-负载倒立摆动力学启发的物理目标，奖励与指令速度匹配的动态运动模式。这一目标函数避免了手工设计的轨迹，而是让机器人自然发展出高效的能量利用模式。最后，残差适应模块捕捉前两个模块未能覆盖的运动细节，如脚踝的微调或躯干的姿态补偿，确保步态的稳定性和流畅性。

GaitSpan的突破性在于，它是首个能够通过单一指令调节的策略实现从行走到慢跑乃至奔跑连续范围的人形机器人系统。该策略不仅能在不同机器人形态间迁移（例如从轻盈的小型人形机器人到重型全尺寸机器人），还能零样本部署于未见过的模拟和真实地形，包括斜坡、沙地和崎岖路面。与基于多专家或人类模仿的基线方法相比，GaitSpan训练速度更快（仅需数小时即可收敛），且步态性能更强，在速度跟踪误差和能耗方面均有显著改善。

这项研究为人形机器人的运动技能增长提供了新的思路，有望在救援、探索和服务等领域实现更灵活、高效的移动能力。该论文已被提交至arXiv，项目页面也已公开，供研究人员参考和复现。通过这种技能增长的方式，人形机器人可以更自然地从基本行走能力扩展到更复杂的运动模式，而无需每次都从零开始学习。这大大提高了学习效率，并增强了机器人在真实世界中的适应性。未来的工作可能包括将GaitSpan应用于更复杂的任务，如携带负载或跨越障碍物，从而进一步推动人形机器人的实用化进程。