高阶形态先验提升四足机器人退化下强化学习

研究者将 Unitree Go1 四足机器人表示为带肢体与身体级 rank-2 单元的胞腔复形，用 Hodge 消息传递建模其高阶机械结构，以研究执行器退化下的强化学习。 据论文称，在执行器退化训练下，node-edge-face Hodge actor 在未见过的执行器退化情形中取得最高回报，存活率更高、速度跟踪误差更低，表明高阶形态可作为全身补偿的有效归纳偏置。该结果来自仿真基准，尚未见真实机器人验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。