在复杂地形中，四足机器人需要无缝整合多种运动技能、顺畅地切换步态，并利用车载传感器进行高速感知移动。我们提出了APT-RL（基于动作预训练变换器的强化学习），这是一个统一框架，能够在复杂环境中实现多技能移动，通过自主技能切换仅依赖车载感知和计算。
该方法通过简化动力学的轨迹优化生成大规模、特征丰富的二维运动数据集。这些数据集使得各种可重用的运动技能得以训练，并能有效迁移到在复杂不平坦地形上运行的真实四足机器人。生成的高质量技能为复杂下游任务的有效学习提供了强有力的先验，并自然扩展到三维环境，使得在部署策略中实现流畅、高速的多技能移动。
实际实验展示了该框架的能力：机器人能够在复杂的室内障碍物和户外野外环境中执行敏捷操作，包括动态下落操作，瞬时最高速度可达6米每秒。单一的车载策略使得机器人能够稳健地穿越多样化的障碍物，包括楼梯、障碍、踏脚石、间隙和倒下的树枝，展现了我们方法的多样性和有效性。
博主点评： 该研究展示了四足机器人在复杂环境中的运动能力，尤其是通过APT-RL框架实现的多技能切换，表明了未来机器人技术的广阔应用前景。针对复杂地形的适应能力是实现自主机器人在现实世界中高效操作的关键，具有重要的研究价值和应用潜力。