AdaptManip：基于在线循环状态估计的自适应全身物体提升与递送
机器人学
2026-02-17 v1 机器学习
摘要
本文提出了自适应全身 locomotion-操作（AdaptManip），一个完全自主的框架，使人oid 机器人能够执行集成化的导航、物体提升和递送。不同于依赖人类演示且对干扰脆弱的仿照学习方法，AdaptManip 通过强化学习训练鲁棒的 locomotion-操作策略，无需人类演示或遥操作数据。该框架由三个耦合组件构成：（1）一种在视野有限且遮挡情况下的实时跟踪被操纵物体的循环物体状态估计器；（2）一种全身基座策略，用于稳健的 locomotion，以及用于稳定物体提升和递送的残差操作控制；（3）一种基于 LiDAR 的机器人全局位置估计器，提供抗漂移的定位。所有组件均使用强化学习在仿真中训练，并以零样本方式部署到实际硬件上。实验结果表明，AdaptManip 在适应性和整体成功率方面显著优于基线方法，包括仿照学习方法，同时准确的物体状态估计即使在遮挡情况下也能提升操作性能。我们进一步在人oid 机器人上演示了完全自主的现实世界导航、物体提升和递送。
引用
@article{arxiv.2602.14363,
title = {AdaptManip: Learning Adaptive Whole-Body Object Lifting and Delivery with Online Recurrent State Estimation},
author = {Morgan Byrd and Donghoon Baek and Kartik Garg and Hyunyoung Jung and Daesol Cho and Maks Sorokin and Robert Wright and Sehoon Ha},
journal= {arXiv preprint arXiv:2602.14363},
year = {2026}
}
备注
Website: https://morganbyrd03.github.io/adaptmanip/