摘要

本文探讨了一种受进化形态学启发的新型过度约束运动，旨在通过深度强化学习框架，开发具有优越能量效率的现代机器人肢体。研究提出了一种可3D打印的机器人肢体设计，该设计可以参数化地重新配置为经典的平面四杆连杆、过度约束的Bennett连杆和球面四杆连杆。通过大规模、多地形深度强化学习框架的实施，对这些可重新配置的肢体进行了能量效率的比较分析。结果显示，过度约束肢体在不同地形上的前进和侧向行走中表现出比平面肢体更高的能量效率，节省了至少22%的机械能量。此外，过度约束肢体在平坦地形上实现了最高平均速度0.85m/s，比平面肢体快20%。这项研究为未来利用进化形态学和可重配置机制智能结合最先进的深度强化学习方法的过度约束机器人研究开辟了新的方向。

原理

本文的核心在于通过参数化可重配置的机器人肢体设计，结合大规模、多地形深度强化学习框架，实现过度约束运动的动态步行。这些肢体设计基于进化形态学，可以模拟哺乳动物和爬行动物的足迹，通过深度强化学习算法，机器人能够在多种复杂地形上学习和优化其运动策略，从而实现更高的能量效率和运动速度。

流程

研究首先设计了一种可3D打印的过度约束机器人肢体，这些肢体可以通过参数调整模拟不同形态的足迹。随后，利用Isaac Sim平台进行大规模并行深度强化学习训练，模拟机器人在多种地形上的运动。训练过程中，机器人通过不断试错学习如何在不同地形上高效移动，最终实现动态步行和能量效率的优化。

应用

这项研究不仅为机器人肢体设计提供了新的思路，还展示了深度强化学习在复杂地形适应性上的强大能力。未来，这种过度约束的机器人肢体设计可以广泛应用于各种需要高能量效率和地形适应性的机器人系统，如搜救机器人、探险机器人等，具有广阔的应用前景。