基于模仿和逆强化学习的人形机器人步态控制方法及系统

本发明公开了一种基于模仿和逆强化学习的人形机器人步态控制方法及系统，采集人体或仿真机器人的行走数据构建高质量训练数据集，再通过图卷积结构，计算机器人和专家数据的相似性。基于任务目标设计多维度线性奖励函数，综合稳定性、步态周期性、轨迹相似性和能量效率四类指标，并通过权重分配实现多目标优化。采用神经网络构建策略模型，结合近端策略优化算法进行训练，利用策略比值裁剪技术约束更新幅度以提升学习稳定性。同时引入最大熵原理动态更新奖励函数，增强对专家策略的适应性。最后通过MuJoCo物理引擎进行仿真验证，实现高仿人步态的可视化分析与性能评估。本发明解决复杂动态环境中机器人步态自适应性和鲁棒性不足的问题。