強化學習（RL）在四足機器人領域的應用正不斷拓展，使得機器人能夠適應複雜地形。傳統的位置控制RL框架存在侷限性，例如對地形變化適應性差，且需要線性速度等狀態估計技術。此外，多數研究採用輕量型四足機器人，受硬件限制難以完成高複雜度任務。
為此，研究人員Jordan Dowdy及其合作者提出了一種扭矩驅動的強化學習框架，專門針對重型、高扭矩四足機器人。該框架無需智能體當前速度信息，即可有效跟蹤期望線速度，並能夠穿越崎嶇地形。研究者在NVIDIA Isaac Sim和Isaac Lab仿真環境中，使用Unitree B1四足機器人驗證了扭矩控制策略的性能。
實驗結果顯示，該機器人可達到3.5 m/s的線速度和1.5 rad/s的角速度。更值得關注的是，它能夠在不借助任何外部傳感器的情況下自主上下樓梯。這一特性顯著增強了機器人在未知環境中的自主能力。
該論文已被2026年IEEE/SICE系統集成國際研討會（SII）接收並發表，頁面編號1259-1264。相關工作為重型四足機器人的高性能運動控制提供了新思路，有望推動其在工業、救援等複雜場景中的應用。此外，研究者指出，未來的工作將探索在實際硬件上部署該框架，並擴展到更復雜的動態環境。這項研究不僅展示了扭矩控制相對於位置控制的優勢，也為四足機器人在現實世界中執行高強度任務鋪平了道路。