站起控制对于人形机器人至关重要，能集成到当前的运动和移动操作系统中，例如跌倒恢复。现有的方法局限于忽略硬件约束的仿真模拟，或是依赖于预定义的地面特定运动轨迹，无法实现在真实场景中跨姿势站立。

为了弥补这一差距，我们提出了 HoST强化学习框架，可以从零开始学习站立控制，实现跨不同姿势的站起控制。HoST 通过利用多评论家架构和基于课程的训练在不同模拟地形上有效地学习姿势自适应运动。

为了确保成功部署到现实世界，我们分别使用平滑度正则化和隐式运动速度限制来约束运动，以减轻物理硬件上的振荡和剧烈运动。经过仿真训练后，学习到的控制策略直接部署在 Unitree G1 人形机器人上。我们的实验结果表明，控制器可在各种​​实验室和室外环境中实现平稳、稳定且稳健的站立运动。