新加坡科技设计大学研究人员开发了一种基于强化学习的安全系统，使爬楼机器人在意外跌落时能自动支撑身体，大幅降低事故风险。楼梯是移动机器人面临的最复杂地形之一，相关研究显示，机器人在楼梯上的故障率比平地高出至少 35 倍，且坠落过程产生的冲击力可能严重损坏设备、建筑甚至威胁人员安全。传统防跌倒方案如路径规划无法完全消除此类风险，因此防跌落缓解机制变得至关重要。 研究团队在《工程结果》期刊发表论文，介绍他们为商用履带式机器人配备了三关节机械臂，并通过纯仿真强化学习训练控制策略。团队识别出五种主要跌落模式，发现三自由度机械结构在几何上足以覆盖所有模式。实验显示，该强化学习控制器在 arresting 跌落并恢复平衡的平均成功率达到 69.4%，而传统手工编码算法仅为 38.6%。成功恢复后，机器人平均仅需 4.25 秒即可稳定，远优于预设的 10 秒目标。 该系统展现出良好的泛化能力。在未经重新训练的情况下，控制器在尺寸不同或台阶参数改变的平台上仍能发挥作用，证明了其学习的是通用恢复策略而非单一几何数据。然而，团队也指出目前 69.4% 的成功率尚未达到工业安全标准（如 IEC 61508）的要求。未来需进一步提升性能，结合机械制动等补偿措施，并通过代理模型满足可解释性要求，才能迈向实际部署。该研究旨在将这一系统打造为安全架构中的一道可靠防线，推动爬楼机器人从被视为“风险源”转变为“得力助手”。