零样本迁移
一站式训练框架将教师与学生策略学习统一,在真实世界崎岖地形上实现稳健的人形机器人运动,无需深度估计模块。
Feiyang, Wu · Xavier, Nal · Jaehwi, Jang · Zhu, Wei · Gu, Zhaoyuan · Wu, Anqi · Zhao, Ye
IEEE Robotics and Automation Letters 2025
控制器不依赖深度估计模块,仅用本体感受即可在 12+ 地形上稳健行走,减少硬件依赖和故障点。
L2T 通过样本回收和共享动力学同步学习轨迹,显著降低训练所需样本量和时间,提高开发效率。
训练策略可直接部署到真实 Digit 机器人,无需真实世界微调,展示从仿真到现实的零样本迁移。