Learning Force-Reactive Humanoid Loco-Manipulation
FLoRe用两只UMI式手持夹爪采集演示;每只夹爪带相机、位姿追踪器和六轴力/力矩传感器,再结合胸部与双踝追踪器,把手部接触力与全身运动一起记录。 高层扩散策略根据视觉、本体感觉和实测力矩预测动作及每只手的力指令;混合顺应性全身控制器利用实测力误差积分沿指令方向跟踪力,在其余方向保持顺应性。 作者在Unitree G1上测试推动带轮门架、双手转箱和擦板三项接触任务;相同演示、相同控制器条件下,FLoRe总体成功率为80%,仅用位置的策略为26.7%。 将策略预测的力指令从控制器输入中移除,成功率由80%降至36.7%;只移除力观测时为66.7%,显示两条力信息通路的作用并不相同。
展开解读与证据
FLoRe用两只UMI式手持夹爪采集演示;每只夹爪带相机、位姿追踪器和六轴力/力矩传感器,再结合胸部与双踝追踪器,把手部接触力与全身运动一起记录。 高层扩散策略根据视觉、本体感觉和实测力矩预测动作及每只手的力指令;混合顺应性全身控制器利用实测力误差积分沿指令方向跟踪力,在其余方向保持顺应性。 作者在Unitree G1上测试推动带轮门架、双手转箱和擦板三项接触任务;相同演示、相同控制器条件下,FLoRe总体成功率为80%,仅用位置的策略为26.7%。 将策略预测的力指令从控制器输入中移除,成功率由80%降至36.7%;只移除力观测时为66.7%,显示两条力信息通路的作用并不相同。
为什么值得关注
这套接口使示教中的接触力既能成为策略学习目标,也能成为全身控制的执行目标,为持续接触、双手协同以及边走边施力的人形操作提供了具体实现路径。
研究问题
对人形机器人而言,复现手部轨迹并不等于复现接触力:接触几何、刚度和物体运动都会影响受力,双手施力还必须与躯干、腿部维持平衡相协调。
方法原理
FLoRe用两只UMI式手持夹爪采集演示;每只夹爪带相机、位姿追踪器和六轴力/力矩传感器,再结合胸部与双踝追踪器,把手部接触力与全身运动一起记录。 高层扩散策略根据视觉、本体感觉和实测力矩预测动作及每只手的力指令;混合顺应性全身控制器利用实测力误差积分沿指令方向跟踪力,在其余方向保持顺应性。
结果与证据
作者在Unitree G1上测试推动带轮门架、双手转箱和擦板三项接触任务;相同演示、相同控制器条件下,FLoRe总体成功率为80%,仅用位置的策略为26.7%。 将策略预测的力指令从控制器输入中移除,成功率由80%降至36.7%;只移除力观测时为66.7%,显示两条力信息通路的作用并不相同。
阅读边界
作者报告零力指令时传感器仍读到1.25–1.50 N,因此部署时将1.5 N以下指令归零;侧向和向下的力指令增益仍较低,并会部分泄漏到其他轴。 依据本次返回的正文节选整理,未核验未返回的章节、附录或独立复现。
评论 · —
昵称自填。评论会展示给其他读者,请勿填写私人信息。
正在读取评论…