柔软地面会让双足机器人失去稳定，因为每只脚都会下陷、扭转，并在接触区域内受到不断变化的阻力。MILD通过可计算的足部—地面模型，以及能够在线估计柔顺性的强化学习控制器，解决了这一问题，使机器人在仿真和硬件实验中实现更稳定、更节能的行走，并能快速适应不同的可变形表面。
目录
研究人员构建了什么？
MILD是一套面向双足机器人的综合系统，结合了地形模型与行走控制系统，适用于土壤、沙地、泡沫及其他柔顺地面等可变形表面。该系统针对传统腿式机器人仿真中的一个主要缺陷：大多数仿真器都把地面建模为刚性平面，因此无法重现软表面如何变形、吸收冲击，或如何对机器人足部施加不均匀的反作用力。
地形模型重点关注具有较大接触面积的机器人足板，而不是将足部简化为单个接触点。它能够表示偏心插入，即足部进入地面时偏离自身几何中心；也能够表示空间变化的下陷，即足板不同部位下沉的深度各不相同。模型还考虑了随时间变化的因素，包括快速冲击，以及足部加载地面后阻力的逐步演变。
随后，MILD利用强化学习在这一更真实的仿真环境中训练行走策略。编码器调制架构将机器人与地面的交互观测转换为内部的地面柔顺性表征。控制器利用这一表征调整行为，无需针对每种地面分别设计一套手工控制器。
最终形成的系统旨在弥合简化仿真与真实可变形地面行走之间的差距。
MILD取得了哪些成果？
在报告的仿真研究中，MILD的表现优于参与比较的地形模型，在行走鲁棒性、能效和动态稳定性方面均展现出优势。比较采用了在各自模型上训练、且训练回合数相同的策略，因此评估条件保持一致，避免将彼此无关的训练条件直接比较。
研究将MILD与五种基于模型的基线方法进行了评估：同心弹簧模型、用于表示额外基底质量的锥体模型、刚性地面仿真器、基于阻力理论的偏心准静态模型，以及偏心弹簧模型。这些方法以不同方式简化了交互过程。有些假定力作用于足部中心，有些忽略下陷深度的变化，还有些没有考虑被排开基底所产生的变化惯性效应。
MILD还与一种面向柔顺地形的基于无源性的全身控制器进行了比较。该控制器通过计算开销较高的在线优化来优先保证稳定性。MILD则采用预先优化的强化学习策略；报告中的测试显示，MILD的质心振荡更小，动态行走也更加稳定。
硬件实验带来了最具实际意义的结果：控制器能够适应表面刚度的突变，在不同可变形地面等级之间移动而不丧失稳定运动，并能在线识别这些表面的力学属性。
MILD如何建模软地面并实现适应？
刚性地面仿真通常将接触视为短暂且局部的碰撞。对于坚硬地板，这种近似通常足够有效；但当双足机器人的足部压入柔软表面时，它就会失效。真实足板可能在大范围内陷入地面：某一侧边缘先进入，不同区域下陷深度不同，基底产生的力也会随着足部运动而变化。
MILD通过在整个足板上分布交互力来处理这一问题。该模型捕捉了三个重要效应：
- 偏心下陷： 足部可以偏离中心进入地面，从而形成不均匀载荷和力矩。
- 空间变化的下陷： 接触区域的每个部位都可能具有不同深度，并因此产生不同的力。
- 随时间变化的交互： 高速冲击和基底位移会在接触过程中改变作用力。
这种方法比单一弹簧模型更细致，同时仍具备足够的可计算性，能够支持大规模强化学习训练。“可计算”意味着该模型在物理真实性与仿真速度之间取得了平衡；如果对土壤或沙地进行完全颗粒化仿真，反复训练策略的成本将过高。
学习得到的控制器在接触模型之上增加了适应能力。它的编码器处理身体运动、足部交互和接触响应等观测信息，再将相关地形信息压缩为潜在表征。调制机制利用这一表征影响策略决策，使同一个控制器能够随着地面柔顺性的变化，调整落脚位置、身体运动和受力管理方式。
策略不需要在行走前获得明确的地形标签，而是通过机器人的物理响应识别地面。这种设计对于刚度突然变化的情况十分重要，因为预先设定的地形类别可能会立刻过时。
这项研究为什么对机器人技术重要？
在许多预期部署腿式机器人的环境中，可变形地面十分常见，例如建筑工地、灾害现场、农田、海滩、森林、松散砾石地和未完成的工业空间。只在刚性地面上训练的机器人，一旦遇到软地面，可能出现意外下陷、打滑、机身前后俯仰或能耗过高等问题。
MILD提供了一条切实可行的路径，让控制器能够在不完全依赖昂贵真实世界数据采集的情况下，接受这些环境条件的训练。更好的接触模型可以在硬件测试前，让策略接触更真实的失效模式；而在线柔顺性估计则有助于让一套控制器处理多种表面，而不必为每类地形单独训练策略。
这项工作与人形机器人平台尤其相关，因为人形机器人必须控制较大的足板，并在不断变化的支撑条件下保持直立身体的平衡。正在评估这些系统的机构可以浏览BotMarket上的人形机器人，比较现有平台与形态设计。
同样的原则也适用于工业自动化。能够应对变化地面条件的双足机器人，有望走出经过精心设计的工厂地面，在应用上补充已经列入二手工业机器人目录的机器人。更广泛地说，这项研究表明，地形建模并不只是仿真中的细节；它会直接影响控制器的可靠性、能源消耗和部署风险。
MILD还存在哪些局限和待解问题？
目前报告的系统聚焦于可变形地面运动，还不能为所有户外地形条件提供完整解决方案。地面变形是根据物理交互推断的，因此地形形状、材料边界或隐藏软点等视觉信息尚未被纳入控制器。
硬件结果展示了不同可变形刚度等级之间的转换，但如果要进一步支持实地部署，还需要在天气、湿度、坡面、不规则地形和长时间运行等条件下开展更广泛的验证。原文也没有给出覆盖所有基线方法和测试条件的统一性能表，因此改进幅度在定性层面比在定量层面更清晰。
研究人员提出的未来工作包括视觉地形变形感知、向跑步和跳跃等多种步态泛化，以及与基于模型的控制相结合。这些扩展将检验所学习的柔顺性表征能否超越当前的行走任务和机器人配置。
买家和工程师会如何询问MILD？
MILD解决什么问题？ MILD帮助双足机器人在足部下陷并与柔软或可变形地面发生不均匀交互时，保持稳定且高效的行走。
MILD是否需要针对每种地形分别配置控制器？ 不需要。控制器通过交互数据估计地面柔顺性，并让一套学习策略适应不断变化的表面属性。
为什么足板模型优于点接触模型？ 足板模型能够捕捉整个接触区域内的不均匀受力，包括偏离中心的插入，以及足部各区域不同的下陷深度。
MILD是否在实体机器人上进行过测试？ 是的。硬件实验展示了系统对刚度突变的适应能力，以及在不同可变形表面等级之间进行转换的能力。
结论
MILD将高保真的可变形接触模型与强化学习结合起来，使系统能够在行走过程中识别地面柔顺性。其仿真和硬件结果表明，真实的足部—地面交互建模能够提升稳定性、减少质心运动，并支持双足机器人在不断变化的柔软表面之间移动时快速适应。
在商业部署中，双足机器人应如何将物理地形模型与学习控制结合起来？