Learning Terrain-Adaptive Humanoid Locomotion on Granular Terrain
作者: Junnosuke Kamohara, Feiyang Wu, Andy Ningan Zong, Daniel I. Goldman, Yashwanth Nakka, Seth Hutchinson, Ye Zhao
分类: cs.RO
发布日期: 2026-09-09
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出基于物理的接触模型以解决人形机器人在颗粒地形上的行走问题
🎯 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) 支柱四：生成式动作 (Generative Motion)
关键词: 人形机器人 颗粒地形 强化学习 物理基础模型 接触动态 自适应控制 变分自编码器
📋 核心要点
- 现有方法在颗粒地形行走中忽视了复杂的接触动态，导致性能不足。
- 论文提出了一种基于三维阻力理论的颗粒接触模型，能够真实模拟足部与地形的相互作用。
- 实验结果显示，该方法在多种真实颗粒地形上成功率显著提高，并具备零-shot适应能力。
📝 摘要（中文）
人形机器人在颗粒地形上的行走仍然是一个重大挑战，主要由于复杂的足部与地形的相互作用动态难以建模。现有方法要么忽视颗粒接触动态，要么采用简化的法向力模型和启发式的切向分量。本文提出了一种基于三维阻力理论的物理基础颗粒接触模型，并有效地模拟颗粒地形以进行强化学习训练。与传统的刚性接触模型和简化的颗粒接触模型不同，我们的接触求解器在不依赖启发式的情况下，产生物理上准确的颗粒侵入动态。通过教师-学生强化学习训练，我们训练了一个适应不同地形条件的行走控制器，并使用变分自编码器将地形信息编码为紧凑的潜在表示。仿真研究表明，该方法在未见过的颗粒地形上具有良好的泛化能力，成功率显著高于基线，并展示了零-shot地形识别和适应能力。我们还通过在多种真实颗粒地形上的硬件实验验证了该方法的有效性。
🔬 方法详解
问题定义：本论文旨在解决人形机器人在颗粒地形上行走时的接触动态建模问题。现有方法往往忽略颗粒接触的复杂性，导致在实际应用中表现不佳。
核心思路：提出了一种基于三维阻力理论的物理基础颗粒接触模型，能够准确模拟颗粒地形的动态特性，从而为强化学习提供真实的训练环境。
技术框架：整体架构包括颗粒接触模型的构建、强化学习策略的训练以及地形信息的编码。通过教师-学生强化学习方法，利用变分自编码器将地形信息转化为潜在表示，以适应不同的地形条件。
关键创新：本研究的主要创新在于提出了一种无需启发式的物理接触求解器，能够真实捕捉颗粒的侵入和切向拖曳动态，显著提高了行走策略的适应性和可靠性。
关键设计：在模型设计中，采用了物理基础的接触动态模拟，结合变分自编码器进行地形信息的紧凑编码，确保了模型的高效性与准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在多种真实颗粒地形上成功率显著提高，达到基线的数倍，并展示了零-shot地形识别和适应能力。这一成果为人形机器人在复杂环境中的应用奠定了基础。
🎯 应用场景
该研究的潜在应用领域包括灾后救援、探测未知地形以及人形机器人在复杂环境中的自主导航。通过提高机器人在颗粒地形上的行走能力，可以拓展其在实际场景中的应用价值，促进人机协作和智能机器人技术的发展。
📄 摘要（原文）
Humanoid locomotion on granular terrain remains a significant challenge due to its complex foot-terrain interaction dynamics that are difficult to model. Existing approaches either ignore granular contact dynamics or incorporate simplified normal force models with heuristic tangential components. In this work, we present a physics-grounded granular contact model based on three-dimensional resistive force theory (3D RFT) and efficiently simulate granular terrain for reinforcement learning (RL) training. Unlike traditional rigid contact models and simplified granular contact models with ad-hoc heuristics, our contact solver produces physically accurate granular intrusion dynamics without resorting to heuristics. It captures realistic penetration and tangential drag during training, enabling the policy to learn behaviors that transfer reliably to real-world granular terrain where rigid contact models fail. To adapt to varying terrain conditions, we train a terrain-adaptive locomotion controller via teacher-student RL, using a variational autoencoder to encode terrain information into a compact latent representation. Simulation studies using material point method (MPM) with NVIDIA Newton demonstrate that our method generalizes to unseen granular terrains, achieves a significantly higher success rate than baselines, and demonstrates zero-shot terrain identification and adaptation. We further validate our approach through extensive hardware experiments across diverse real-world granular terrains including basalt, dry sand, and beach sand. To the best of our knowledge, this is the first demonstration of agile humanoid locomotion on real-world granular terrain. Project page: https://humanoid-gm-locomotion.github.io/HUMANOID-GM/