FALCON：学习力度自适应的人类oid loco-manipulation
机器人学
2025-11-18 v2
摘要
人类oid loco-manipulation 具有巨大的潜力，可用于日常服务和工业任务，但实现对三维末端执行器力交互的精确、鲁棒的全身控制仍是重大挑战。先前的方法常局限于轻量级任务或四足/轮驱平台。为克服这些限制，我们提出FALCON，一种基于双智能体强化学习的框架，用于稳健的力度自适应人类oid loco-manipulation。FALCON 将全身控制分解为两个专门的智能体：（1）下身智能体确保在外部力扰动下的稳定 locomotion；（2）上身智能体精确跟踪末端执行器位置，同时隐式实现力补偿。这两个智能体在仿真中联合训练，采用力度课程逐步增加末端执行器受力的幅度，同时遵守扭矩限制。实验表明，与基线方法相比，FALCON 在上身关节跟踪精度提升了 2 倍，同时在力度扰动下保持稳健的 locomotion，并实现更快的训练收敛。此外，FALCON 使策略训练无需针对具体机体进行奖励或课程调优。使用相同的训练 setup，我们获得的策略可部署到多个人类oid 上，实现力度 loco-manipulation 任务，如在实际世界中实现有效载荷运输（0-20N 力）、小车拉拽（0-100N）和门把手开启（0-40N）。
引用
@article{arxiv.2505.06776,
title = {FALCON: Learning Force-Adaptive Humanoid Loco-Manipulation},
author = {Yuanhang Zhang and Yifu Yuan and Prajwal Gurunath and Ishita Gupta and Shayegan Omidshafiei and Ali-akbar Agha-mohammadi and Marcell Vazquez-Chanlatte and Liam Pedersen and Tairan He and Guanya Shi},
journal= {arXiv preprint arXiv:2505.06776},
year = {2025}
}