SABER: Learning Attention-based Semantic Affordance for Legged Locomotion
作者: Hari Prasanth Palanivelu, Samuel Sze, Kennard Garrison Johannes, Albertus Hendrawan Adiwahono, Meng Yee, Chuah
分类: cs.RO
发布日期: 2026-09-18
备注: 9 pages, 9 figures, 3 tables
💡 一句话要点
提出SABER以解决腿部机器人在复杂地形中的接触安全问题
🎯 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) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 腿部机器人 强化学习 地形感知 语义接触 运动规划 安全性 自动化
📋 核心要点
- 现有方法在腿部机器人运动中对地形的几何理解较强，但对地形的语义理解不足，导致潜在的接触风险。
- 本文提出SABER，通过强化学习策略联合考虑地形几何和语义接触许可，提升了机器人的运动安全性。
- 实验结果表明，去除语义偏置会使禁区接触增加55%，而速度跟踪保持不变，验证了方法的有效性。
📝 摘要（中文）
腿部机器人在复杂地形中的感知运动已快速发展，但对地形语义的理解仍然不足。本文提出SABER，一个无规划的强化学习策略，能够同时考虑地形几何和语义接触许可。该策略使用统一的地形-可用性图，每个单元格编码局部3D几何和语义接触成本。通过引入学习的语义偏置，增强了交叉注意力机制，使得机器人在摆动阶段选择合适的支撑点，避免接触禁区。实验验证了该策略在多种环境和障碍物类别中的有效性。
🔬 方法详解
问题定义：本文旨在解决腿部机器人在复杂环境中对地形接触的安全性问题。现有方法主要关注几何特征，缺乏对地形语义的理解，可能导致机器人在接触脆弱物体时发生意外。
核心思路：SABER策略通过引入语义接触成本，结合地形几何信息，利用交叉注意力机制来优化支撑点选择，确保机器人在运动过程中避免接触禁区。
技术框架：整体架构包括一个统一的地形-可用性图，编码局部3D几何和语义接触成本。策略通过学习的语义偏置来调整注意力权重，从而影响支撑点的选择。
关键创新：最重要的创新在于引入了学习的、带符号的语义偏置，作为注意力逻辑的附加项，能够动态调整注意力权重，显著提升了接触安全性。
关键设计：在网络结构上，采用了交叉注意力机制，并通过损失函数优化语义偏置的学习，确保机器人在摆动阶段保持对禁区的有效避让。实验中通过系统的消融实验验证了各个组件的贡献。
🖼️ 关键图片
📊 实验亮点
实验结果显示，去除语义偏置后，禁区接触增加了55%，而速度跟踪性能保持不变，表明SABER在接触安全性方面的显著提升。该策略在Unitree B2上验证了在室内和室外环境中的有效性，涵盖了四种语义障碍物类别。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在工业环境中，腿部机器人可以安全地在复杂地形中移动，避免对脆弱设备的损害。未来，SABER的技术可以扩展到其他类型的机器人和自动化系统，提高其在动态环境中的适应能力和安全性。
📄 摘要（原文）
Perceptive legged locomotion has advanced rapidly by integrating terrain geometry into learned policies, yet the integration of terrain meaning remains sparse: a pipe, a patch of grass, or a fragile box may be geometrically traversable while being inappropriate for contact. In industrial environments, where legged robots increasingly operate, a single misplaced step can damage fragile equipment, destabilize the robot, or endanger the site. To address this, we introduce SABER, a planner-free reinforcement-learning policy that jointly reasons about terrain geometry and semantic contact permission. The policy consumes a unified terrain-affordance map, where each cell encodes local 3D geometry and a semantic contact cost. We augment cross-attention with a learned, signed semantic bias: an additive term on the attention logits, gated by the contact cost, that reweights flagged cells by their distance from the nearest foot. A hazard therefore reshapes attention where it can still affect the next foothold, and its influence fades where it cannot. The resulting policy selects footholds on permitted support and keeps the leg clear of forbidden regions throughout the swing phase. We perform a systematic ablation that isolates the contribution of each architectural component; removing the semantic bias alone increases forbidden contacts by 55% while velocity tracking is unchanged. We validate the policy on a Unitree B2, demonstrating sim-to-real semantic contact selection across indoor and outdoor environments and four semantic obstacle classes.