RPL:在复杂地形上学习稳健的人形机器人感知行走
Amazon FAR 联合 CMU、Stanford、UC Berkeley 的 CoRL 2026 开源工作:先用特权高度图按地形训练多演员 PPO 专家,再蒸馏进双深度相机的视觉 Transformer 学生,配合速度门控深度特征缩放与随机侧向遮挡两个稳健化技巧,以及对机器人自身网格做光线投射、比 IsaacSim Warp 快 5 倍的多深度渲染。Unitree G1 真机带 2 kg 负载在 20° 坡、22/25/30 cm 台阶与间隙 60 cm 的石阵上前后行走。
人形机器人Perceptive Locomotion