香港大学与牛津机器人研究所的研究团队近日开发了一种基于学习的控制方法，使四足机器人能够快速穿越狭窄通道。该系统受犬类冲刺穿越障碍物的行为启发，让机器人自主判断跳跃时机并调整动作，无需预设跳跃序列。

该技术的核心是名为ConsJump的分层强化学习框架。底层控制器通过模仿学习训练，为机器人提供多种敏捷运动技能，包括慢步、慢跑、跳跃和转向，并利用逆运动学适配至其物理结构。高层控制器则充当决策模块，接收环境信息后决定调用何种技能及切换时机，生成速度和转向指令交由底层执行。

视觉方面，机器人搭载英特尔D435i RGB-D相机，用于识别通道开口并测算尺寸与位置。感知系统融合彩色与深度信息检测矩形开口，计算中心点和几何参数，将数据输送给高层控制器，使机器人能根据自身状态和目标位置动态决策接近方式。

演示中，重约22公斤的宇树Aliengo机器人自主穿越了与自身尺寸相近的门洞。接近目标时，机器人从慢速步态平滑过渡至高速跳跃，加速至每秒2.5米后迅速减速准备落地，飞行阶段约0.44秒。系统在腾空期间协调关节姿态，避免足端触碰开口边缘。

底层控制器在模拟环境中使用5480个并行智能体训练，随后迁移至实体机器人。训练中引入电机强度、延迟、偏移量和负载等多种变量随机化，以改善模拟到现实的迁移效果。实体机器人上控制器运行于机载计算机，感知系统独立处理相机数据。

测试显示，该系统能适应不同门洞位置和崎岖地形，甚至在起跳前足部打滑的情况下仍能调整姿态。由于底层运动策略固定，高层控制器仅负责技能选择，研究团队表示该架构可适配其他高难度任务而无需重新训练整个运动系统。这一研究将动物启发的运动模式与机器视觉、分层AI相结合，提升了四足机器人在复杂环境中的敏捷导航能力。