# Go1四足机器人高阶形态先验强化学习提升执行器故障容错

> 原文链接：https://robotics.hellobike.com/papers/2026-10-07-2610-10934
> 频道：papers | 更新日期：2026-10-07 | 标签：auto, arxiv
> 核心摘要：研究提出基于Hodge消息传递的高阶形态图策略，在Unitree Go1执行器退化场景下实现最高回报与更低速度跟踪误差，验证拓扑归纳偏置对全身补偿的有效性。

# Go1四足机器人高阶形态先验强化学习提升执行器故障容错

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation](https://arxiv.org/abs/2610.10934)（arXiv 2610.10934）

## 核心内容

针对四足机器人执行器退化导致的运动协调难题，arXiv论文提出将Unitree Go1建模为包含肢体与躯干层级rank-2单元的胞腔复形（cell complex），并应用基于Hodge理论的消息传递机制构建节点-边-面Actor网络。实验表明，在执行器退化训练条件下，该高阶形态感知策略在未见过故障模式中取得最高累积回报，显著提升生存率并降低速度跟踪误差，证实显式建模高阶机械结构可作为有效的归纳偏置。

技术方案核心在于突破传统图策略仅建模关节连接的局限，通过引入面级拓扑单元捕获肢体间高阶力学耦合关系。Hodge消息传递使策略网络能感知执行器失效后的全局力流重分布，从而驱动剩余健康关节进行自适应全身补偿。该方法不依赖额外传感器或故障检测模块，直接将形态学先验嵌入强化学习策略优化过程，为四足机器人在非结构化环境下的鲁棒控制提供了新的算法范式。

## 关键看点

- **高阶形态建模**：将Go1表示为含rank-2单元的胞腔复形，显式编码肢体与躯干间高阶力学结构而非仅关节连接图
- **Hodge消息传递**：采用节点-边-面三层Hodge算子进行特征传播，使策略网络感知执行器失效后的全局力流重分布
- **退化容错性能**：在未见过执行器退化测试中取得最高累积回报，速度跟踪误差显著低于基线方法且生存率提升
- **归纳偏置验证**：证明高阶拓扑结构作为先验可增强策略泛化能力，无需额外故障检测即可实现自适应全身补偿

## 工程与产业观察

该工作为具身智能体在硬件退化条件下的鲁棒控制提供新路径：通过将机械本体的高阶拓扑结构显式嵌入策略网络，可在不增加传感冗余的前提下提升系统容错边界。这对延长机器人服役寿命、降低运维成本具有工程价值，也为形态-控制协同设计提供了可计算的数学框架。

## 英文摘要 (Abstract)

Actuator degradation turns quadruped locomotion into a coordination problem requiring joints to compensate for lost actuation. Prior work suggests that morphology-aware graph policies improve learning and generalization under body perturbations. We ask whether these benefits can be strengthened by explicitly modeling higher-order mechanical structure. We represent the Unitree Go1 as a cell complex with limb- and body-level rank-2 cells and apply Hodge-based message passing. Under degradation training, the node-edge-face Hodge actor achieves the highest return on unseen actuator degradations, with higher survival and lower velocity-tracking error. These results support higher-order morphology as a useful inductive bias for whole-body compensation under actuator degradation.

作者：Derek You, Zafir Shamsi, Keqin Wang, Christine Allen-Blanchette
:::

## 原始参考来源 (Sources)

- [arXiv 2610.10934：Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation](https://arxiv.org/abs/2610.10934)