Cet article aborde le contrôle de robots quadrupèdes guidés par la vision par apprentissage par renforcement (RL), en insistant sur l'intégration essentielle de la proprioception et de la vision pour un contrôle robuste. Nous proposons QuadKAN, une stratégie intermodale paramétrée par splines utilisant les réseaux de Kolmogorov-Arnold (KAN). QuadKAN intègre un encodeur spline pour la proprioception et une tête de fusion spline pour les informations proprioceptives-visuelles. Cette classe structurée de fonctions aligne la correspondance état-action sur la fluidité de la marche par morceaux, améliorant ainsi l'efficacité de l'échantillonnage, réduisant les tremblements et la consommation d'énergie, et offrant une sensibilité pose-action interprétable. Nous utilisons la randomisation multimodale à retard (MMDR) et effectuons un apprentissage de bout en bout avec l'optimisation de la stratégie proximale (PPO). Les résultats d'évaluation sur divers terrains, y compris des surfaces uniformes et irrégulières et des scénarios avec obstacles statiques et dynamiques, démontrent que QuadKAN obtient systématiquement des rendements supérieurs, des distances de déplacement plus longues et moins de collisions que les modèles de référence de pointe (SOTA). Ces résultats démontrent que les politiques paramétrées par spline sont une alternative simple, efficace et interprétable pour une marche guidée par la vision robuste.
