Agile perceptive multi-skill locomotion for quadrupedal robots in the wild

📄 arXiv: 2607.13579v1 📥 PDF

作者: Jun-Gill Kang, Jaehyun Park, Tae-Gyu Song, Joon-Ha Kim, Seungwoo Hong, Hae-Won Park

分类: cs.RO, cs.AI, cs.LG

发布日期: 2026-07-15

备注: Project page: https://skillquadsr.github.io/ ,This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science Robotics on 7.15.2026; doi: 10.1126/scirobotics.adz7397. Jun-Gill Kang and Jaehyun Park are co-first authors. Seungwoo Hong and Hae-Won Park are co-corresponding authors

DOI: 10.1126/scirobotics.adz7397

💡 一句话要点

提出APT-RL框架以实现四足机器人在复杂环境中的多技能快速移动

🎯 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 多技能移动 强化学习 轨迹优化 复杂环境

📋 核心要点

  1. 现有四足机器人在复杂地形中的移动能力有限，难以实现多种运动技能的快速切换和高效感知。
  2. 本文提出APT-RL框架，通过轨迹优化生成运动数据集，训练多样化的运动技能，实现高效的技能转换。
  3. 实验表明，机器人在复杂环境中表现出色，能够快速穿越障碍，最高速度达到每秒6米，展示了方法的有效性。

📝 摘要（中文）

本文旨在使四足机器人能够在复杂地形中自如移动，包括崎岖的户外环境和城市景观。这需要多种运动技能的无缝集成、步态之间的平滑过渡，以及仅依赖机载传感器的高速感知移动。我们提出了APT-RL（基于动作预训练变换器的强化学习），这是一个统一框架，能够通过自主技能转换实现高效的多技能移动。该方法通过简化动力学的轨迹优化生成大规模、特征丰富的二维运动数据集，从而训练出多样化且可重用的运动技能。这些技能能够有效转移到实际的四足机器人上，适应复杂的不平坦地形。实验结果表明，该框架使机器人能够在复杂的室内障碍物和户外环境中灵活移动，瞬时最高速度可达每秒6米。

🔬 方法详解

问题定义：本文旨在解决四足机器人在复杂地形中移动时的多技能集成与快速切换问题。现有方法在应对多样化障碍和复杂环境时表现不足，难以实现高效的感知与运动。

核心思路：论文提出的APT-RL框架通过自主技能转换，利用机载传感器实现高效的多技能移动。通过生成丰富的运动数据集，训练出可重用的运动技能，从而提升机器人的适应能力。

技术框架：APT-RL框架包括数据集生成、技能训练和实时控制三个主要模块。首先，通过轨迹优化生成特征丰富的二维运动数据集；其次，利用这些数据集训练多样化的运动技能；最后，机器人通过实时控制实现复杂环境中的高效移动。

关键创新：APT-RL的核心创新在于将动作预训练变换器与强化学习相结合，形成统一的多技能移动框架。这一方法与传统的单一技能训练方式相比，能够更有效地应对复杂环境中的多样化挑战。

关键设计：在技术细节上，论文采用了简化的动力学模型进行轨迹优化，设置了适应性损失函数以提高技能训练的效率，并设计了适合四足机器人的网络结构，以确保在复杂环境中的稳定性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，机器人在复杂环境中表现出色，能够灵活应对多种障碍，瞬时最高速度达到每秒6米。这一性能显著优于现有基线，展示了APT-RL框架在多技能移动中的有效性和适应性。

🎯 应用场景

该研究的潜在应用领域包括搜索与救援、农业机器人、城市巡逻等场景。通过提升四足机器人在复杂环境中的移动能力，能够有效拓展其应用范围，提升工作效率和安全性。未来，该技术有望在更多实际场景中得到应用，推动机器人技术的发展。

📄 摘要（原文）

Enabling quadrupedal robots to traverse complex terrains-from rugged outdoor environments to urban landscapes-requires seamless integration of multiple motor skills, smooth transitions between gaits, and high-speed perceptive locomotion using only onboard sensors. We present APT-RL (Action Pretrained Transformer-based Reinforcement Learning), a unified framework that enables multi-skill locomotion to achieve high-speed traversal in complex environments through autonomous skill transitions utilizing only onboard perception and computation. Our approach generates large-scale, feature-rich 2D motion datasets through trajectory optimization with simplified dynamics. These datasets enable training of diverse, reusable locomotion skills that transfer effectively to a real quadruped robot operating on complex uneven terrains. The resulting high-quality skills serve as strong priors for efficient learning of complex downstream tasks and extend naturally to 3D environments, enabling smooth, high-speed multi-skill locomotion in deployed policy. Real-world experiments demonstrate the framework's capabilities: the robot performs agile maneuvers through complex indoor obstacles and outdoor wild environments, including dynamic drop-down maneuvers that reach instantaneous peak speeds of up to 6 meters per second. A single onboard policy enables robust traversal of diverse obstacles, including stairs, hurdles, stepping stones, gaps, and fallen branches, demonstrating the versatility and effectiveness of our approach.