arXiv cs.AI· Stergios E. Bachoumas, Panagiotis Artemiadis·· 2 天前AI 评分23
SOMA：四足机器人如何用分层强化学习完成物体堆叠操作
SOMA: Stack-of-Objects Manipulation using a Quadruped Robot
AI 导读
SOMA 是一个面向四足机器人的分层强化学习框架，可实现多物体堆叠的全身非抓取式操作，并首次引入显式机身高度控制，将传统二维平面推动扩展到三维推动策略。该框架用 S5 编码器的高层操作策略预测目标跟踪指令，配合动态调整腿部站姿的底层运动策略，在仿真中单物体重定位成功率达 90.3%，双箱动态堆叠达 90.1%（位置误差 0.05 m、朝向误差 1°）。
正文 · AI 翻译
摘要：在不可预测的环境中执行重型物理操作，对于缺乏专用机械臂的四足机器人而言仍是一项重大挑战。本文提出了 SOMA，一种用于四足机器人对多物体堆叠进行全身非抓取式操作的分层强化学习框架。与局限于二维平面推动的传统方法不同，SOMA 集成了显式的机器人基座高度控制，解锁了完整的三维推动策略。这一能力使四足机器人能够将复杂的负载堆叠作为一个统一系统进行操作，同时防止上层物体的相对滑动或倾覆。该架构将控制分解为高层操作策略和低层运动策略：前者使用简化结构化状态空间序列（S5）编码器对长时程时间历史进行推理，并通过 Beta 分布预测有界的目标跟踪指令；后者动态调整腿部站立构型。在大量仿真基准测试中，SOMA 在严格的误差裕度（$0.05\text{ m}$ 位置误差、$1^\circ$ 方向误差）下，单物体重定位成功率达到 $90.3\%$，动态双箱堆叠成功率高达 $90.1\%$。最后，我们在 Unitree Go1 四足机器人上验证了零样本仿真到现实的迁移，涵盖多种负载质量和几何形状，展示了在重型推动任务中主动调整基座高度以保持牵引力和平衡的能力。
| 评论： | 9 页 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.20968 [cs.RO] |
| （或 arXiv:2610.20968v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20968 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Stergios Evangelos Bachoumas [查看电子邮件]
[v1]
2026 年 10 月 14 日星期三 21:43:14 UTC（5,239 KB）
来源：arXiv cs.AI · arxiv.org