KAIST宣布，机械工程系Professor Park Haewon研究团队研发出一项四足机器人核心控制技术。该技术可使机器人根据地形变化，自主选择并切换行走、奔跑、跳跃等不同运动策略。

四足机器人凭借腿式结构，较轮式机器人更适合复杂地形。但在真实户外环境中，台阶、落差、缝隙等障碍往往连续出现，仅依赖单一步态或单一运动能力，仍难以实现稳定通行。

据介绍，现有四足机器人通常需要分别控制行走、奔跑、跳跃等步态，在环境快速变化时，往往难以完成自然、连续的切换。为解决这一问题，研究团队开发了基于行为字典预训练的Transformer强化学习技术（APT-RL），使机器人能够预先学习多种步态，并在实际场景中按需组合和切换。

在训练过程中，团队并未直接采集人或动物的运动影像，而是通过计算机仿真，在8分钟内生成总计15.5小时的步态学习数据。同时，研究团队还引入了以数学方式描述机器人运动的动力学模型，以及用于计算高效移动路径的轨迹优化技术。

在此基础上，团队进一步结合通过试错机制学习最优行为的强化学习方法，使机器人能够在台阶、落差、缝隙、石块地形等复杂三维环境中，自主选择合适的步态。

研究团队还融合了深度相机与激光雷达感知。借助这一方案，机器人可实时识别周边环境和目标行进速度，并在行走、奔跑、跳跃等模式之间选择最匹配的移动策略。

团队已将该技术部署在自研四足机器人“KAIST Hound”上，并在室内障碍赛道、KAIST校园和林间道路等场景完成性能验证。测试结果显示，该机器人不仅能够在包含台阶、草地和坡道的城市地形中实时切换步态，也能在倒木、裸露树根、落叶路面等非结构化自然地形中完成切换和移动。

在含有障碍物的崎岖地形中，“KAIST Hound”的最高瞬时速度达到6米/秒，约合22公里/小时。机器人还可根据地形条件和目标行进速度，在对角腿交替发力的“Trot”步态与前后腿成对发力的跳跃式“Bound”步态之间自主切换。

Professor Park Haewon表示，这项研究表明，四足机器人已经能够感知室内外复杂、非结构化地形，并根据场景自主选择和切换步行策略。该成果有望成为面向灾害现场、国防任务和工业设施巡检等复杂环境应用的物理AI步行机器人基础技术。

论文作者方面，研究员Kang Jungil与KAIST机械工程系博士生Park Jaehyun为共同第一作者，Professor Park Haewon与Korea University的Professor Hong Seungwoo为共同通讯作者。

上述研究成果入选机器人领域国际期刊《Science Robotics》7月号封面论文，并已于美国东部时间7月15日正式发表。