Caltech 新研究：解耦导航与本体，让人形机器人走得更稳——ROM-Nav 两阶段安全导航

视频加载中

视频加载中

Caltech 联合 Amazon Safe Autonomy Frontiers Lab 提出 ROM-Nav（Learning Safe Humanoid Navigation from Reduced Order Models），一种两阶段人形机器人导航系统。第一阶段在极度简化的模型（带朝向的单积分器，本质是一个在占据栅格上滑动的点）上训练导航策略，学习空间推理、探索和多层路径规划，完全不接触平衡、落脚或楼梯问题。第二阶段通过加权 PPO + KL 散度损失将简化模型策略蒸馏到人形机器人上。系统通过 Mid-360 LiDAR 和 ZED Mini 深度相机感知，使用冻结的预训练去噪 VAE CNN 编码器 feeding 自注意力和交叉注意力、GRU 和 MLP。在 5 Hz 发出速度命令，叠加在 50 Hz 的冻结运动控制器之上，每条命令经过 Poisson 安全滤波器（从实时点云合成控制屏障函数并以闭式 QP 投影）。在 Unitree G1 上运行，单卡 H100 训练 12 小时（简化模型）+ 32 小时（完整）。