AMO：面向超灵巧人形机器人全身控制的自适应运动优化
机器人学
2025-05-07 v1 人工智能
机器学习
摘要
人形机器人的灵巧性很大程度上源于超灵巧的全身运动，使其能够完成需要大操作空间的任务，例如从地面拾取物体。然而，由于人形机器人具有高自由度（DoF）和非线性动力学特性，在真实机器人上实现这些能力仍然具有挑战性。我们提出了自适应运动优化（AMO），这是一个将从仿真到现实的强化学习（RL）与轨迹优化相结合的框架，用于实时、自适应的全身控制。为了减轻运动模仿强化学习中的分布偏差，我们构建了一个混合 AMO 数据集，并训练了一个能够对潜在的分布外（O.O.D.）命令进行鲁棒、按需适应的网络。我们在仿真中和一个 29 自由度的 Unitree G1 人形机器人上验证了 AMO，与强大的基线方法相比，展示了卓越的稳定性和扩展的作业空间。最后，我们展示了 AMO 的一致性能通过模仿学习支持自主任务执行，突显了该系统的多功能性和鲁棒性。
引用
@article{arxiv.2505.03738,
title = {AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control},
author = {Jialong Li and Xuxin Cheng and Tianshu Huang and Shiqi Yang and Ri-Zhao Qiu and Xiaolong Wang},
journal= {arXiv preprint arXiv:2505.03738},
year = {2025}
}
备注
website: https://amo-humanoid.github.io