物理引导的生物力学步态适应：实现人形机器人在极端斜坡地形上的行走

近日，arXiv 上发布了一项关于人形机器人在极端斜坡地形上行走的研究。该研究由 Xuanyu Chen 等九位作者合作完成，提出了一种名为 HumoSlope 的两阶段物理引导框架，旨在解决人形机器人在陡坡上的鲁棒行走问题。

传统的模型无关强化学习方法在平坦或离散地形上取得了显著进展，但在陡坡控制方面仍面临巨大挑战。斜坡地形会产生持续的引力偏置，要求机器人同时保持稳定性和姿态控制。在通用奖励函数下，策略往往会收敛到一种缓慢、保守的低重心蹲伏步态，无法适应实际应用需求。

HumoSlope 框架的核心在于两个阶段的创新设计。第一阶段通过引入一个斜坡自适应零力矩点（ZMP）正则化器，直接在局部倾斜支撑平面上评估平衡性，而非传统的世界水平参考系，从而建立与地形一致的平衡先验。第二阶段则引入了生物力学斜坡步态适配器（BSGA）。BSGA 利用提取的宏观地形描述符作为特权训练信号，动态地调整软奖励先验，以根据估计的斜坡几何调节质心高度和下肢协调——在上坡时鼓励髋部主导的推进力，在下坡时鼓励膝盖主导的制动力。关键的是，部署后的执行器完全依赖本体感受信号，无需任何在线外感受传感。

研究团队通过大量的 Sim-to-Real 实验验证了该方法的有效性。实验表明，HumoSlope 框架能够有效缓解姿态退化问题，并实现盲穿、连续地穿越户外草地斜坡，最大坡度可达 62.7%（32.1°）。这一成果验证了物理引导方法在挑战性斜坡地形适应中的潜力。

该研究为人形机器人在复杂户外环境中的应用提供了新的思路，尤其在搜救、勘探等需要适应陡坡地形的场景下具有重要意义。未来，团队计划进一步探索更极端地形下的泛化能力。