CMP: 基于能力流形投影的鲁棒全身跟踪用于腿臂操作
机器人学
2026-04-10 v1 人工智能
机器学习
摘要
虽然解耦控制方案对腿式移动操作器已展现出鲁棒性，但学习用于跟踪全局末端执行器位姿的整体全身控制策略在面对由传感器噪声或不可行用户指令引起的分布外（OOD）输入时仍然脆弱。为在不牺牲任务性能和连续性的前提下提升对这些扰动的鲁棒性，我们提出了能力流形投影（Competence Manifold Projection, CMP）。具体而言，我们采用逐帧安全方案（Frame-Wise Safety Scheme），将无限时间范围的安全约束转化为计算高效的单步流形包含。为了实例化该能力流形，我们采用有下界的安全估计器（Lower-Bounded Safety Estimator）来区分训练分布中未掌握的意图。随后我们引入同构潜空间（Isomorphic Latent Space, ILS），使流形几何与安全概率对齐，从而实现对任意OOD意图的高效O(1)无缝防御。实验表明，CMP在基线遭遇灾难性失败的典型OOD场景中实现了高达10倍的生存率提升，且跟踪退化低于10%。值得注意的是，该系统展现出涌现的"尽力而为"泛化行为，通过遵循能力边界逐步完成OOD目标。结果视频见：https://shepherd1226.github.io/CMP。
引用
@article{arxiv.2604.07457,
title = {CMP: Robust Whole-Body Tracking for Loco-Manipulation via Competence Manifold Projection},
author = {Ziyang Cheng and Haoyu Wei and Hang Yin and Xiuwei Xu and Bingyao Yu and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2604.07457},
year = {2026}
}
备注
14 pages, 8 figures. Under review. Project page and videos: https://shepherd1226.github.io/CMP