经验驱动的四足机器人地形可穿越性持续学习

在不熟悉的地形上安全高效的四足机器人导航需要在接触之前预测地形与机器人的交互：仅靠几何形状和视觉外观无法揭示机器人将如何滑动、如何加载其脚或如何消耗能量。本文提出了一个持续学习管道，它使用运动经验从接触前图像中学习这些交互结果，并在观察到新接触时不断更新预测。接触前描述符由训练期间冻结的 DINOv3 骨干模型生成，映射到根据测量可靠性加权的五个本体感觉指标：平面脚滑移、平均法向地面反作用力、牵引指数、运输成本和着陆负载率。紧凑的证据回归器使我们能够预测这些指标以及来自视觉描述符的任意和认知不确定性。持续适应将有界经验重放与验证门相结合：候选模型仅在提高最近保留数据的性能同时将历史保留数据的降级保持在规定的容差范围内时才替换已部署的预测器。预测和认知不确定性被投影到局部多层图中，并组合成保守的可遍历性得分图，其属性权重可以在无需重新训练的情况下进行调整。生成的地图用于下游导航测试。 ROS2 实现支持在仿真和硬件上对 Unitree Go2 进行评估，并在每个域中单独训练模型。在三个以前未见过的地形上的顺序硬件流上，门控重放相对于没有门的重放将最终锚点负对数似然 (NLL) 降级减少了 23.1%，同时实现了类似的新地形适应。