「RoboStriker」上海AI Lab新突破！零样本直接部署宇树G1，分层决策 + 博弈 RL ...

不二如是

「RoboStriker」上海AI Lab新突破！

零样本直接部署宇树G1，分层决策 + 博弈 RL 实现胜率断层第一

在线感受：



如何让人形机器人既不摔倒又能打出有效重拳，一直是机器人控制领域的难题。

在拳击这种高接触、高动态、强对抗的任务中，机器人不仅要保持身体平衡，还要实时制定策略，这涉及高维接触动力学、实时决策和多智能体博弈等复杂问题。

传统多智能体强化学习虽然能提供策略框架，但直接用于人形机器人时，往往因为动作空间过大、缺乏物理运动先验而难以收敛。

为了解决这一矛盾，来自上海交通大学和上海人工智能实验室等团队提出了名为RoboStriker的研究，目标是：

游客，如果您要查看本帖隐藏内容请回复

RoboStriker采用分层三阶段架构，把高层策略决策与低层物理控制解耦。

第一阶段通过人类动作捕捉数据训练运动跟踪模型，让机器人掌握完整拳击动作库。

第二阶段把这些技能压缩成结构化潜在动作空间，并通过投影到单位超球面进行正则化，确保机器人只在物理可行的动作范围内探索。

第三阶段引入潜在空间自博弈机制，让机器人在压缩动作空间中学习对抗策略，从而大幅提升训练稳定性和效率。

这种设计本质上把人类经验、运动学约束和强化学习结合在一起。

实验结果显示，RoboStriker在仿真对抗中取得了较强竞争表现，并具备从仿真到现实迁移的潜力。

这类研究不仅能推动机器人竞技，还可能应用在灾害救援、康复训练、工业协作等需要稳定运动与智能决策的场景。

评论区聊聊你的想法吧

                               
登录/注册后可看大图

>>万能兑换C币许愿池<<

如果有收获，别忘了评分 ：

                               
登录/注册后可看大图

                               
登录/注册后可看大图