让机器人通过试错自主识别身体状态，提升适应能力。

Active Embodiment Identification with Reinforcement Learning for Legged Robots

• 用强化学习让机器人主动探索环境，同时预测身体参数
• 在不同形态下通过仿真交互，同时推断关节与整体身体特征
• 适合需要自适应的足式机器人研究与应用

我们提出一种足式机器人的主动本体识别方法，联合学习信息获取行为与显式本体预测。基于历史增强的URMA架构，该方法通过在不同形态的仿真环境中与环境交互，推断关节级和全局本体参数。

原文摘要 · Abstract (English)

We present an active embodiment identification method for legged robots that jointly learns information-seeking behavior and explicit embodiment prediction. Using a history-augmented URMA architecture, the method infers joint-level and global embodiment parameters through interaction with the environment in simulation across different morphologies.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。