拥抱厚重物体的仿生机器人：基于强化学习的全身操控
机器人学
2025-09-18 v1
摘要
人oid 机器人全身操控 (WBM) 为处理涉及厚重物体的拥抱任务提供了前景，传统仅依赖末端执行器的抓取在此类场景下因稳定性和载荷限制而有限。本文引入强化学习框架，集成预训练的人类运动先验与神经签名距离场 (NSDF) 表示，实现稳健全身拥抱。该方法利用教师-学生架构从大规模人类运动数据中蒸馏生成符合动力学的自然全身运动模式，促进肩部和躯干协同控制，实现稳定多点接触，提升操控鲁棒性与承载能力。嵌入式 NSDF 提供精确连续几何感知，增强长期任务中的接触感知。我们通过全面仿真与实际实验彻底评估该方法。结果表明，该方法对物体形状大小具有良好适应性，并成功实现仿真到现实的迁移。这些表明所提框架为人oid 机器人多接触和长期 WBM 任务提供了有效且实用的解决方案。
引用
@article{arxiv.2509.13534,
title = {Embracing Bulky Objects with Humanoid Robots: Whole-Body Manipulation with Reinforcement Learning},
author = {Chunxin Zheng and Kai Chen and Zhihai Bi and Yulin Li and Liang Pan and Jinni Zhou and Haoang Li and Jun Ma},
journal= {arXiv preprint arXiv:2509.13534},
year = {2025}
}