论文解读：交大港大上海AI Lab开源论文 | 宇树机器人多姿态起立控制强化学习框架（一）
宇树机器人多姿态起立控制强化学习框架论文解析
《Learning Humanoid Standing-up Control across Diverse Postures》
论文来源： 上海AI Lab, 上海交通大学, 香港大学, 浙江大学, 香港中文大学
发布时间： 2025年2月（第一版），2025年4月（第二版）
实际部署： Unitree G1人形机器人
📋 目录
- 一、论文概况
- 二、技术方法详解
- 三、核心创新点
- 四、实验结果与评估
- 五、技术影响与展望
一、论文概况
1.1 研究背景与挑战
核心问题： 人形机器人从倒地姿态站起来的能力（起立控制）对实现跌倒恢复等功能至关重要。
现有方法的局限性：
| 方法类型 | 优势 | 局限性 |
|---|---|---|
| 传统轨迹跟踪 | 动作合理，在仿真中有效 | 依赖手工设计，对扰动敏感，部署困难 |
| 强化学习方法 | 灵活性高，建模假设少 | 动作剧烈不稳定，真实部署困难 |
1.2 HoST框架概述
HoST（Humanoid Standing-up Control） 是一个从零开始训练的强化学习框架，具备以下核心特点：
🎯 主要特点：
- ✅ 多评论架构 + 课程式训练 → 提升适应性
- ✅ 动作平滑正则化 + 隐式速度限制 → 抑制抖动
- ✅ 零微调部署 → 直接在Unitree G1上运行
- ✅ 多场景验证 → 室内外环境均表现稳定
1.3 技术创新亮点
| 创新点 | 技术方案 | 效果 |
|---|---|---|
| 多姿态适应 | 多地形训练 + 向上牵引力 | 支持多种初始姿态起立 |
| 训练稳定性 | 多评论强化学习架构 | 优化不同奖励维度 |
| 动作平滑性 | 正则化 + 速度约束 | 减少剧烈动作 |
| sim-to-real | 领域随机化技术 | 提升迁移能力 |
二、技术方法详解
2.1 问题建模：马尔可夫决策过程（MDP）
2.1.1 MDP五元组定义
人形机器人起立任务被建模为有限时长的MDP：
M = ⟨S, A, T, R, γ⟩
| 元素 | 含义 | 具体内容 |
|---|---|---|
| S | 状态空间 | 机器人本体感知信息 |
| A | 动作空间 | 关节目标位置变化量 |
| T | 状态转移函数 | 物理仿真引擎 |
| R | 奖励函数 | 多维度奖励设计 |
| γ | 折扣因子 | 长期奖励权衡 |
2.1.2 训练目标
最优策略学习：
π* = argmax E_πθ[∑γᵗ·rₜ]
算法选择： PPO（Proximal Policy Optimization）
- ✅ 大规模并行训练稳定性好
- ✅ 基于宇树官方框架：
unitree_rl_gym/legged_gym+RSL-RL/PPO
2.2 观察空间设计
2.2.1 本体感知信息
状态向量构成：
| 观察项 | 符号 | 来源 | 维度 |
|---|---|---|---|
| 机体角速度 | ωₜ | IMU传感器 | 3D |
| 姿态角度 | rₜ, qₜ | IMU（roll, pitch） | 2D |
| 关节位置 | pₜ | 编码器 | 23D |
| 关节速度 | ṗₜ | 编码器 | 23D |
| 上步动作 | aₜ₋₁ | 历史记录 | 23D |
| 缩放系数 | β | 配置参数 | 1D |
2.2.2 时间上下文增强
历史状态融合：
- 📊 引入过去5个时间步的状态信息
- 🎯 增强接触感知能力（如判断是否触地）
- 💡 提供更强的时间上下文信息
技术实现：
class LeggedRobot(BaseTask).compute_observations()
2.3 动作空间与控制
2.3.1 PD控制器架构
设计理念： 强化学习专注于"决策去哪里"，PD控制器负责"如何安全地到达"
2.3.2 控制流程
1. 目标位置计算：
pᵈₜ = pₜ + β·aₜ
2. PD控制律：
τₜ = Kp(pᵈₜ - pₜ) - Kd·ṗₜ
3. 参数说明：
- Kp, Kd: PD控制器增益参数
- β ∈ (0, 1]: 动作缩放因子（隐式速度限制）
- 维度: 23个自由度对应23维动作空间
2.3.3 PD控制器优势
| 优势 | 说明 |
|---|---|
| 安全性 | 避免直接扭矩输出，减少硬件损坏风险 |
| 稳定性 | 物理直觉的控制行为，天然稳定特性 |
| 可调性 | 仅需调节Kp、Kd两个参数 |
| 迁移性 | 仿真与真实机器人行为一致性高 |
三、核心创新点
3.1 多评论强化学习架构
技术方案：
- 🎯 多个评论网络 分别优化不同奖励维度
- 📈 解耦优化 提升训练稳定性
- ⚖️ 平衡收敛 避免单一奖励主导
3.2 课程化训练策略
训练阶段设计：
| 阶段 | 训练内容 | 技术手段 |
|---|---|---|
| 初期 | 基础起立动作 | 向上牵引力辅助 |
| 中期 | 多姿态适应 | 多地形随机化 |
| 后期 | 鲁棒性提升 | 干扰注入训练 |
3.3 动作平滑化技术
实现方法：
- 动作正则化 - 限制动作幅度
- 速度约束 - 通过β因子隐式控制
- 连续性保证 - 时间步间动作平滑过渡
3.4 领域随机化
随机化参数：
- 🌍 物理参数: 质量、摩擦、关节刚度
- 🎮 环境参数: 地形、重力、风力
- 🤖 机器人参数: 传感器噪声、执行器延迟