[论文解读] SKATER: Synthesized Kinematics for Advanced Traversing Efficiency on a Humanoid Robot via Roller Skate Swizzles

Junchi Gu, Feiyang Yuan+7 more|arXiv (Cornell University)|Jan 8, 2026

Robotic Locomotion and Control被引用 0

一句话总结

本文介绍了 SKATER，一种每只脚有四个被动轮的25-DoF人形机器人，通过深度强化学习学习轮滑式旋摆步态，在关节冲击更低、运输成本(CoT)相比步行降低63.34%、在100%表面鲁棒成功率方面表现出色。

ABSTRACT

Although recent years have seen significant progress of humanoid robots in walking and running, the frequent foot strikes with ground during these locomotion gaits inevitably generate high instantaneous impact forces, which leads to exacerbated joint wear and poor energy utilization. Roller skating, as a sport with substantial biomechanical value, can achieve fast and continuous sliding through rational utilization of body inertia, featuring minimal kinetic energy loss. Therefore, this study proposes a novel humanoid robot with each foot equipped with a row of four passive wheels for roller skating. A deep reinforcement learning control framework is also developed for the swizzle gait with the reward function design based on the intrinsic characteristics of roller skating. The learned policy is first analyzed in simulation and then deployed on the physical robot to demonstrate the smoothness and efficiency of the swizzle gait over traditional bipedal walking gait in terms of Impact Intensity and Cost of Transport during locomotion. A reduction of $75.86\%$ and $63.34\%$ of these two metrics indicate roller skating as a superior locomotion mode for enhanced energy efficiency and joint longevity.

研究动机与目标

• 将轮滑作为一种对关节磨损和能量损失更小的人形机器人低冲击、节能的运动方式进行探索和推广。
• 开发一个25-DoF 人形（SKATER），每只脚具有四个被动轮，以实现旋摆轮滑。
• 设计一个带有隐式步态奖励和课程学习的 DRL 控制框架，以实现稳定的旋摆步态。
• 通过领域随机化和参数标定实现仿真到现实的迁移，并与传统步行进行比较。

提出的方法

• 将任务建模为有限时 horizon 的马尔可夫决策过程（MDP），使用 PPO 在 IsaacLab 中进行 4096 个并行仿真求解。
• 将 PD 控制器作为 actor 输出，动作 A_t 约束在 [-1,1]，并使用 beta 缩放实现期望位置。
• 为 actor 提供状态观测的 5 步历史，以捕捉动力学和惯性。
• 在每只脚上配置四个聚氨酯轮（直径 62 mm），以实现轮-ground 的连续滑移。
• 设计一个 22 项多目标奖励函数，强调任务跟踪、对称性、能量、姿态和足部约束（不包含显式步态时序）。
• 在摩擦、质量、重心、增益和其他物理属性上进行领域随机化，以实现仿真到现实的迁移。

Figure 1: The SKATER system: a humanoid robot equipped with roller skates for learning swizzle locomotion through deep reinforcement learning.

实验结果

研究问题

• RQ1 轮滑式旋摆步态是否能在双脚 humanoid 上降低关节冲击和能量成本，相对于步行？
• RQ2 如何利用 DRL 在没有显式步态时序或轨迹的情况下发现稳定的旋摆步态？
• RQ3 领域随机化与参数标定对轮滑 humanoid 的仿真到现实迁移有何影响？
• RQ4 SKATER 对可变地面摩擦和表面条件的鲁棒性如何？

主要发现

• 在仿真中，旋摆步态相较步行可将冲击强度降低约 75.86%。
• 在真实机器人上，旋摆步态相较步行实现 63.34% 的运输成本（CoT）降低。
• 相比步行，旋摆时髋部和踝部俯仰力矩分别降低约 74% 和 65–75%。
• 在瓷砖、橡胶和碎石表面的 10 m 直线测试中，100% 成功率（摩擦系数 0.2–1.0）。
• 足部轨迹呈现旋摆形的二维路径，足距有界且踝角呈周期性，表明稳定的自学习步态。
• 策略在机载端以 50 Hz 运行，展示了全向运动和穿越障碍的滑动能力。
• 在旋摆过程中速度跟踪显示比传统步行更慢的减速和稳态误差，揭示速度控制方面的差异。

Figure 2: Deep reinforcement learning control framework for SKATER. The policy network processes proprioceptive and exteroceptive sensor data to generate joint-level commands, enabling adaptive roller skate swizzle locomotion.