EIDA: Execution-Interface Dynamics Adaptation for Real-to-Sim-to-Real Robot Navigation
作者: Yiwei Qian, Shanze Wang, Qingyuan Hu, Xinming Zhang, Wei Zhang
分类: cs.RO
发布日期: 2026-10-01
备注: 8 pages, 7 figures, 3 tables
💡 一句话要点
提出EIDA以解决机器人导航中的真实与模拟转移问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人导航 模拟到真实转移 执行接口适应 动态适应 机器学习 物理仿真 速度反馈
📋 核心要点
- 现有的模拟到机器人转移方法在速度指令导致的运动反馈与训练模型不一致时常常失败，限制了其实际应用。
- 本文提出的EIDA方法通过拟合目标平台的执行数据，避免了复杂的执行器动态重建，从而提高了导航的准确性和可靠性。
- 在多个基准导航环境中，EIDA方法在成功率和导航得分上均优于对比的学习策略，显示出其在实际应用中的潜力。
📝 摘要（中文）
在机器人导航中，模拟到机器人转移常常因速度指令导致的运动与反馈与训练期间建模的情况不符而失败。本文提出了一种执行接口动态适应（EIDA）的方法，通过利用目标平台执行数据来拟合这些响应，而无需重建执行器动态。该方法通过更新模拟器几何体的身体框架姿态增量模型和预测策略观察到的速度反馈的独立模型来实现。实验结果表明，EIDA在多个环境中显著降低了位置和偏航预测误差，并在物理Unitree Go2上成功完成了所有静态场景试验，展示了执行接口适应在导航转移中的有效性。
🔬 方法详解
问题定义：本文旨在解决在机器人导航中，模拟到真实转移时因速度指令导致的运动与反馈不一致的问题。现有方法在处理这些差异时存在局限性，导致导航失败。
核心思路：EIDA方法通过拟合目标平台的执行数据，建立身体框架姿态增量模型和速度反馈预测模型，从而在不重建执行器动态的情况下，适应真实环境中的动态变化。
技术框架：EIDA的整体架构包括两个主要模块：一是更新模拟器几何体的身体框架姿态增量模型，二是预测策略观察到的速度反馈的独立模型。通过将这些模型集成到轻量级的GPU并行模拟器中，提升了导航的准确性。
关键创新：EIDA的核心创新在于通过执行接口适应来提高导航转移的有效性，而不是依赖于复杂的执行器动态模拟。这一方法显著简化了模型的构建过程，并提高了适应性。
关键设计：在模型设计中，EIDA使用了短期速度反馈历史作为策略输入，以增强模型对动态环境的适应能力。模型的训练过程中，采用了适当的损失函数来优化位置和偏航预测的准确性。
🖼️ 关键图片
📊 实验亮点
EIDA在全Jackal和Go2验证集上显著降低了位置和偏航预测误差，相较于基线方法，EIDA在20个静态场景试验中实现了100%的成功率，而基线仅为20%。在100个基准导航环境中，EIDA的成功率和导航得分均为最高，显示出其优越的性能。
🎯 应用场景
EIDA方法在机器人导航领域具有广泛的应用潜力，尤其是在需要高精度和高可靠性的动态环境中。其能够有效提升机器人在真实场景中的导航能力，未来可应用于自动驾驶、无人机飞行和智能制造等多个领域，推动相关技术的发展与应用。
📄 摘要（原文）
Simulation-to-robot transfer can fail when velocity commands produce motion and feedback that differ from those modeled during policy training. We present execution-interface dynamics adaptation (EIDA), which fits these responses from target-platform execution data without reconstructing actuator dynamics. A model of body-frame pose increments updates simulator geometry, while a separate model predicts the velocity feedback observed by the policy; a short history of velocity feedback is included in the policy input. The fitted models are used within a lightweight GPU-parallel simulator. On the full Jackal and Go2 validation sets, the fitted models reduced position and yaw prediction errors relative to the simulator's predefined motion model. Across 100 benchmark navigation environments evaluated in a separate physics-based simulator, EIDA achieved the highest success rate and navigation score among the compared learned policies, both with and without global guidance. Feedback ablations further supported the need to match policy-facing velocity estimates. On a physical Unitree Go2, EIDA reached the goal without collision in all 20 static-scene trials, compared with 4 of 20 for the baseline. These results show that execution-interface adaptation can improve navigation transfer without detailed actuator simulation.