# DAMP框架实现无感知人形机器人鲁棒运动与Sim-to-Real迁移

> 原文链接：https://robotics.hellobike.com/papers/2026-10-08-2610-11505
> 频道：papers | 更新日期：2026-10-08 | 标签：auto, arxiv
> 核心摘要：针对无外部感知条件下的人形机器人运动难题，DAMP框架利用RNN隐式推断特权信息并结合对抗运动先验，实现端到端Sim-to-Real迁移，在复杂地形验证了盲视状态下的鲁棒性与自然步态生成能力。

# DAMP框架实现无感知人形机器人鲁棒运动与Sim-to-Real迁移

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[DAMP: Humanoid Locomotion via Denoised Belief Learning and Adversarial Motion Priors](https://arxiv.org/abs/2610.11505)（arXiv 2610.11505）

## 核心内容

arXiv论文提出DAMP强化学习框架，旨在解决人形机器人在完全无感知信息输入条件下的复杂地形稳定穿越问题。该方法不依赖视觉或激光雷达等外部传感器，仅凭本体反馈即可实现鲁棒且自然的运动控制。研究团队通过实机演示视频验证了算法从仿真到真实环境的有效迁移，证明了其在感知受限场景下的泛化能力与工程实用性。

技术上，DAMP采用循环神经网络捕获时序依赖，隐式推断特权信息及任务相关潜变量，并将学习表征与任务目标对齐以增强策略一致性。框架引入对抗运动先验约束动作空间，确保生成步态符合人体生物力学特征。该端到端架构成功打通Sim-to-Real链路，为缺乏昂贵感知硬件或在极端光照、烟雾等感知失效环境下的人形机器人部署提供了纯本体感知的控制范式。

## 关键看点

- **盲视运动控制**：摒弃视觉/雷达等外部感知输入，仅依靠本体 proprioception 信号实现复杂地形下的稳定穿越与自然步态生成
- **隐式状态推断**：利用 RNN 捕获时序依赖并隐式推断特权信息，将潜在表征与任务目标对齐，解决无感知条件下的状态估计难题
- **对抗运动先验**：集成 Adversarial Motion Priors 约束策略输出，确保在无视觉反馈时生成的动作仍保持自然流畅且符合物理规律
- **Sim-to-Real迁移**：端到端框架完成从仿真训练到真机部署的零样本迁移，实机验证了在感知缺失环境中的鲁棒性与泛化性能

## 工程与产业观察

DAMP验证了纯本体感知在人形机器人运动控制中的上限，为降低硬件成本及应对感知失效提供冗余方案。其基于RNN的隐式状态推断与对抗先验结合思路，对具身智能在非标环境下的Sim-to-Real迁移具有重要参考价值，提示算法侧可通过挖掘时序本体数据弥补感知短板。

## 英文摘要 (Abstract)

Humanoid robots possess the structural capability to traverse complex terrains. However, achieving stable t raversal without relying on perceived information remains challenging, particularly in complex environments. This paper introduces DAMP, a reinforcement learning framework aimed at achieving robust and naturalistic humanoid locomotion over challenging terrains, with the assumption that no perceived information is available. The framework leverages recurrent neural networks to capture temporal dependencies and implicitly infer privileged and other task-relevant latent information. By aligning the learned representations with the task objective, the method enables robust and goal-consistent policy learning. This end-to-end framework achieves transfer learning from simulation to real-world environments, demonstrating the proposed method's robustness and generalization capabilities. The video of the real-world demonstration can be found at the following link: https://youtu.be/AkI7TZB2DDM.

作者：Puying Shen, Wenhao Cui, Huaxing Huang, Bangyu Qin, Shengtao Li, Ziyang Dong, Guoteng Zhang
:::

## 原始参考来源 (Sources)

- [arXiv 2610.11505：DAMP: Humanoid Locomotion via Denoised Belief Learning and Adversarial Motion Priors](https://arxiv.org/abs/2610.11505)