苏黎世大学2025年机器人感知与控制技术突破

1. 苏黎世大学机器人与感知研究组2025年研究全景

作为全球无人机自主飞行与视觉导航领域的标杆，苏黎世大学机器人与感知研究组（UZH-RPG）在2025年持续引领着机器人学的发展方向。这一年，团队在ICRA、T-RO、CVPR等顶级会议期刊发表的14项工作，构建了一个从底层传感机理到上层决策控制的完整技术体系。这些成果不仅展现了机器人学从单一几何感知向物理信息与数据驱动深度融合的范式转变，更为下一代高鲁棒性智能机器人的发展提供了实质性技术支撑。

2. ICRA 2025三大突破性研究

2.1 基于可微仿真的四足机器人残差策略学习

传统First-Order Policy Gradient (FoPG)算法在接触密集型任务中面临两大挑战：易陷入局部极小值和难以处理视觉长时序关联。UZH-RPG提出的FoPG RPL框架通过两项创新解决了这些问题：

1. 残差锚定策略：在优化搜索空间中引入先验知识引导，将探索范围限制在合理区域内。具体实现上，团队设计了一个基于传统控制器的残差网络，其输出作为基础策略的修正项。这种设计既保留了传统方法的稳定性，又融入了数据驱动的灵活性。

2. 几何投影替代时间展开：针对稀疏碰撞信号的梯度回传难题，研究组创新性地采用空间几何关系而非时间序列来建模接触动力学。通过构建接触面的局部几何描述子，实现了碰撞梯度的高效传播。

在Anybotics Anymal C机器人上的实验表明，该方法相比PPO算法实现了35倍的样本效率提升。更令人印象深刻的是，系统仅需数分钟训练就能获得具备复杂避障能力的运动策略。这种效率突破主要得益于可微仿真提供的精确梯度信息，避免了传统RL中大量无效探索。

实操建议：在实际部署时，建议先使用经典控制方法（如MPC）构建基础策略，再叠加神经网络残差项。这种分层设计能显著提高训练稳定性和最终性能。

2.2 视觉特征驱动的四旋翼控制框架

视觉导航控制长期面临样本效率低下和状态表示构建困难的双重挑战。UZH-RPG的解决方案包含三个关键技术：

1. 可微仿真中的解析动力学代理解：通过构建简化的动力学替代模型，在保持梯度可传的同时大幅降低计算复杂度。这个代理解将复杂的刚体动力学近似为二阶系统，仅保留对控制最关键的状态变量。

2. **状态表示预训