强化学习驱动的双足足球机器人自适应多任务控制

Reinforcement Learning Enabled Adaptive Multi-Task Control for Bipedal Soccer Robots

在动态对抗环境中开发双足足球机器人面临运动稳定性与多任务深度耦合的挑战，以及直立行走与跌倒恢复等不同状态间的控制切换问题。针对这些难题，本文提出一种模块化强化学习框架以实现自适应多任务控制。该框架首先将开环前馈振荡器与基于强化学习的反馈残差策略相结合，有效分离基础步态生成与复杂足球动作。其次引入姿态驱动的状态机，在寻球踢球网络与跌倒恢复网络间实现清晰切换，从根本上防止状态干扰。通过渐进式力衰减课程学习策略高效训练跌倒恢复网络。该架构在双足机器人Unity仿真中得到验证，展现出卓越的空间适应性——即使在受限角落场景中也能可靠寻球踢球，并具备快速自主跌倒恢复能力（平均恢复时间0.715秒），确保在复杂多任务环境中实现无缝稳定运行。