在现实环境中，人形机器人易于摔倒，而依赖人工干预进行恢复严重限制了其自主性和部署能力。传统手工设计的起身控制器难以适应复杂地形和多变初始姿态。
为解决此问题，论文《Learning Getting-Up Policies for Real-World Humanoid Robots》中提出了一种基于强化学习的两阶段训练框架，实现机器人自主起身策略的学习与部署。
第一阶段着重探索有效的起身轨迹，不受平滑性或扭矩限制约束，而第二阶段则优化该轨迹，使其在不同初始姿态和地形上具备鲁棒性，并满足Sim2Real的控制要求。
实验结果表明，该框架成功让G1人形机器人在现实世界中从仰卧和俯卧姿态自主起身，且能适应多种复杂地形，如坡地、草地和雪地。这是首个在现实世界中成功展示基于学习的人形机器人起身策略的研究，为未来的具身智能人形机器人部署提供了重要借鉴。
为了更好的帮助大家了解这项工作，机器之心最新一期线上分享邀请到了论文作者何夏麟和董润沛，为大家进行深度剖析。
何夏麟是伊利诺伊大学香槟分校（UIUC）计算机科学专业一年级博士生，指导老师是Saurabh Gupta教授。目前，他的研究主要集中于足式机器人的通用控制算法与自主学习算法。此前，何夏麟本科毕业于上海交通大学ACM班，导师是张伟楠教授。同时，他是HumanUP、OmniH2O等项目的主导作者。
董润沛是伊利诺伊大学香槟分校（UIUC）计算机科学专业一年级博士生，指导老师是Saurabh Gupta教授。目前，他的研究主要集中于人形机器人的控制学习，旨在开发具有通用、可泛化和可扩展的人形机器人学习算法。之前，董润沛在西安交通大学和清华大学交叉信息研究院联合培养并获得了硕士学位，指导老师是姚期智教授。同时，他是HumanUP、DreamLLM等项目的主导作者。
分享摘要：本次分享涵盖三个方面：(1) 人形机器人控制的研究背景，探讨其在复杂环境中的挑战；(2) HumanUP——一种通用的两阶段Sim2Real强化学习策略，如何解决机器人自主起身问题并泛化到其他接触丰富任务；(3) Contact-rich locomotion的展望与讨论，分析该领域未来的研究方向和潜在应用。
直播时间：北京时间2月28日20:00-21:00
机器之心 · 机动组
机动组聚焦于学术研究、工程实践与产业应用，筛选前沿、专业、实用内容，不定期组织学术研讨、技术交流与实战分享等。欢迎所有 AI 领域技术从业者关注。
点击阅读原文，查看往期回顾。
（文：机器之心）
