HumanUP：从机器人自主起身到contact-rich locomotion任务的讨论

主要观点总结

文章介绍了论文《Learning Getting-Up Policies for Real-World Humanoid Robots》的内容，该论文提出了一种基于强化学习的两阶段训练框架，实现人形机器人自主起身策略的学习与部署。这项技术在解决人形机器人在现实环境中易于摔倒的问题上取得了进展，并成功让G1人形机器人在多种复杂地形上实现自主起身。

关键观点总结

关键观点1: 人形机器人自主起身策略的重要性与挑战

人形机器人在现实环境中经常摔倒，依赖人工干预恢复限制了其自主性和部署能力。传统的手工设计起身控制器难以适应复杂地形和多变初始姿态，因此，开发一种有效的自主起身策略至关重要。

关键观点2: 论文《Learning Getting-Up Policies for Real-World Humanoid Robots》的主要贡献

论文提出了一种基于强化学习的两阶段训练框架，该框架让机器人能够在第一阶段探索有效的起身轨迹，不受平滑性或扭矩限制约束，并在第二阶段优化轨迹，使其具备适应不同初始姿态和地形的鲁棒性，满足Sim2Real的控制要求。

关键观点3: 实验结果与影响

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，适应了多种复杂地形，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。

关键观点4: 分享活动的内容与嘉宾介绍

机器之心线上分享活动邀请了论文作者何夏麟和董润沛进行深度剖析，分享内容包括人形机器人控制的研究背景、HumanUP两阶段Sim2Real强化学习策略以及Contact-rich locomotion的展望与讨论。嘉宾何夏麟和董润沛分别介绍了他们的研究背景和领域成就。