arXiv cs.AI· Shengzhang Xu, Yuning Guo, Weiyi Hu, Yifeng Xu, Zhongyu Li, He Kong·· 12 小时前AI 评分31
REACH：基于 RL 的分层人形机器人爬行框架，实现受限空间穿越
REACH: An RL-based Hierarchical Humanoid Crawling Framework for Adaptable Confined Space Traversal
AI 导读
REACH 是一个基于强化学习的分层框架，让 Unitree G1 人形机器人通过可变高度双足行走与爬行穿越高度受限环境。其策略在双足行走 1.27–0.50m、爬行 0.50–0.20m 的互补指令区间内调节身体高度，突破蹲姿行走的净空限制。框架结合历史条件潜在表示、双向模式切换策略与 LiDAR 规划器，真机实验验证了高度与速度跟踪、地形穿越及受限空间通行能力。
正文 · AI 翻译
摘要：在狭窄空间中的人形机器人运动需要在多种运动模式之间持续进行高度适应，然而大多数现有方法仍局限于高度可调的双足行走。我们提出 REACH，一个基于强化学习的分层框架，使 Unitree G1 人形机器人能够通过可变高度双足行走和爬行穿越高度受限环境。学习到的策略在互补的指令范围内调节身体高度：双足行走为 1.27--0.50m，爬行为 0.50--0.20m，从而将穿越能力扩展到蹲伏行走的净空限制之外。为应对接触丰富的爬行动力学，我们采用一种以历史为条件的潜在表示，从本体感觉观测中捕捉地形和交互上下文。双向过渡策略进一步在较大的运动学和接触不连续条件下连接蹲伏双足行走与爬行。这些技能与基于 LiDAR 的规划器集成，该规划器将点云转换为无碰撞的三维路径和运动指令，包括主动高度目标。真实世界实验证明了所提出流程具有准确的高度和速度跟踪、稳健的地形穿越、可靠的模式转换以及狭窄空间穿越能力。代码和视频见 this https URL。
| 评论： | 将发表于 IEEE Humanoids 2026；项目页面 this https URL |
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36546 [cs.RO] |
| （或 arXiv:2610.36546v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36546 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：He Kong Dr. [查看电子邮件]
[v1]
2026年10月27日星期二 02:59:37 UTC（18,883 KB）
来源：arXiv cs.AI · arxiv.org