感知式类人形跑酷：通过运动匹配串联动态人类技能

尽管最近的人形机器人行走技术取得了在复杂地形上稳定行走的进展，但捕捉高度动态人类动作的敏捷性和适应性仍然是一个挑战。特别是在复杂环境中进行敏捷的跑酷不仅需要低级鲁棒性，还需要类似人类的动作表现力、长距离技能组合和感知驱动的决策。在本文中，我们提出了感知人形跑酷（Perceptive Humanoid Parkour，PHP）框架，这是一个模块化框架，使得人形机器人能够自主地在具有挑战性的障碍赛道上执行基于视觉的长距离跑酷。我们的方法首先利用运动匹配，将其构建为特征空间中的最近邻搜索，将重新定位的原子人类技能组合成长距离的运动轨迹。这个框架能够灵活地组合复杂的技能链，同时保持动态人类动作的优雅和流畅。接下来，我们为这些组合动作训练了运动跟踪强化学习（RL）专家策略，并使用DAgger和RL的组合将它们提炼成一个基于深度学习、多技能的学生策略。关键的是，感知和技能组合的结合使得机器人能够实现自主的、情境感知的决策：仅使用机载深度感知和一个离散的二维速度命令，机器人可以选择并执行是否跨越、攀爬、跳跃或翻越不同几何形状和高度的障碍物。我们使用Unitree G1人形机器人在现实世界中进行了广泛的实验来验证我们的框架，展示了诸如攀爬高达1.25米（相当于机器人高度的96%）的障碍物等高度动态的跑酷技能，以及具有闭环适应实时障碍物扰动的长距离多障碍物穿越。