FR-Net: Learning Robust Quadrupedal Fall Recovery on Challenging Terrains through Mass-Contact Prediction

📄 arXiv: 2509.11504v1 📥 PDF

作者: Yidan Lu, Yinzhao Dong, Jiahui Zhang, Ji Ma, Peng Lu

分类: cs.RO

发布日期: 2025-09-15

备注: Published in IEEE Robotics and Automation Letters, Vol. 10, No. 7, pp. 6632-6639, 2025

期刊: IEEE Robotics and Automation Letters 10 (2025) 6632-6639

DOI: 10.1109/LRA.2025.3569117

💡 一句话要点

FR-Net：基于质心-接触预测的四足机器人复杂地形跌倒恢复

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 四足机器人 跌倒恢复 质心预测 接触预测 强化学习 复杂地形 特权学习

📋 核心要点

  1. 传统四足机器人跌倒恢复方法在复杂地形上表现不佳，主要原因是地形感知不完整和交互不确定。
  2. FR-Net通过质心-接触预测网络，从有限的传感器信息中估计机器人质量分布和接触状态，从而实现有效的恢复策略。
  3. FR-Net在模拟和真实世界实验中均表现出良好的泛化能力，证明了质心-接触预测在跌倒恢复中的关键作用。

📝 摘要（中文）

本文提出FR-Net，一个基于学习的框架，使四足机器人能够在各种环境中从任意跌倒姿势中恢复。该方法的核心是一个质心-接触预测网络，它从有限的传感器输入估计机器人的质量分布和接触状态，从而促进有效的恢复策略。精心设计的奖励函数确保了即使在陡峭的楼梯上也能安全恢复，避免了现有方法中常见的危险滚动动作。该框架完全在模拟中使用特权学习进行训练，指导策略学习，而无需在部署期间显式的地形数据。在模拟中，FR-Net展示了在不同四足机器人平台上的泛化能力，并通过在Go2机器人上进行的10个具有挑战性的真实世界实验验证了其性能。结果表明，显式的质心-接触预测是鲁棒跌倒恢复的关键，为可泛化的四足机器人技能提供了一个有希望的方向。

🔬 方法详解

问题定义：四足机器人在复杂地形上的跌倒恢复是一个难题。现有方法依赖于完整地形信息，并且难以处理不确定的接触交互，导致恢复策略失效，甚至可能出现危险的滚动动作。因此，需要一种能够适应未知地形并有效利用有限感知信息的鲁棒跌倒恢复方法。

核心思路：FR-Net的核心思路是通过学习预测机器人的质心分布和接触状态，从而为恢复策略提供关键信息。通过显式地建模这些信息，机器人可以更好地理解自身状态和环境交互，从而制定更有效的恢复动作。这种方法避免了对完整地形信息的依赖，提高了在复杂环境中的鲁棒性。

技术框架：FR-Net包含一个质心-接触预测器网络和一个策略学习模块。质心-接触预测器网络接收来自机器人的传感器数据（例如，IMU、关节角度）作为输入，并预测机器人的质心分布和接触状态。然后，这些预测信息被传递给策略学习模块，该模块学习如何根据预测的状态信息控制机器人的关节，以实现跌倒恢复。整个框架在模拟环境中进行训练，并使用特权学习来提高泛化能力。

关键创新：FR-Net的关键创新在于显式地预测机器人的质心分布和接触状态。与现有方法相比，FR-Net不依赖于完整地形信息，而是通过学习从有限的传感器数据中推断出关键的状态信息。这种方法提高了在复杂和未知环境中的鲁棒性，并允许机器人更好地适应不同的地形条件。

关键设计：质心-接触预测器网络采用多层感知机（MLP）结构，并使用均方误差（MSE）损失函数进行训练，以最小化预测值与真实值之间的差异。策略学习模块使用强化学习算法（例如，PPO）进行训练，并设计了奖励函数来鼓励安全和有效的恢复动作。奖励函数包括惩罚滚动动作和鼓励站立的项，以确保机器人在恢复过程中不会发生危险的滚动。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FR-Net在模拟和真实世界实验中均表现出优异的性能。在Go2机器人上的真实世界实验中，FR-Net成功地在10个具有挑战性的场景中实现了跌倒恢复，包括陡峭的楼梯、不平坦的地面和障碍物环境。实验结果表明，FR-Net能够有效地利用有限的传感器信息，并制定安全和有效的恢复策略，显著提高了四足机器人在复杂地形上的鲁棒性。

🎯 应用场景

FR-Net技术可应用于各种四足机器人，使其能够在复杂地形（如灾后救援现场、崎岖山地）执行任务。该技术能够提高机器人的自主性和适应性，减少对人工干预的依赖，从而在搜索救援、环境监测、物流运输等领域发挥重要作用。未来，FR-Net有望成为四足机器人实现更高级别自主性的关键技术。

📄 摘要（原文）

Fall recovery for legged robots remains challenging, particularly on complex terrains where traditional controllers fail due to incomplete terrain perception and uncertain interactions. We present \textbf{FR-Net}, a learning-based framework that enables quadrupedal robots to recover from arbitrary fall poses across diverse environments. Central to our approach is a Mass-Contact Predictor network that estimates the robot's mass distribution and contact states from limited sensory inputs, facilitating effective recovery strategies. Our carefully designed reward functions ensure safe recovery even on steep stairs without dangerous rolling motions common to existing methods. Trained entirely in simulation using privileged learning, our framework guides policy learning without requiring explicit terrain data during deployment. We demonstrate the generalization capabilities of \textbf{FR-Net} across different quadrupedal platforms in simulation and validate its performance through extensive real-world experiments on the Go2 robot in 10 challenging scenarios. Our results indicate that explicit mass-contact prediction is key to robust fall recovery, offering a promising direction for generalizable quadrupedal skills.