FAME：用于扩展全人形机器人操控范围的力感知自适应强化学习
机器人学
2026-03-11 v1
摘要
维持外部手力下的平衡是人形大臂操作中至关重要的，interaction 力通过运动链传递并限制可行操作范围。我们提出一种称为 FAME 的力感知自适应强化学习框架，该框架将 standing 策略条件化于所学习的潜在上下文，用于编码上臂关节配置和双手 interaction 力。在训练期间，我们对每只手施加多样化的球形采样 3D 力并注入干扰，同时应用上臂姿态 curriculum，将 policy 置于不断变化的肩部配置下，以暴露于各种操作诱导的扰动。在部署时，从机器人动力学中估计 interaction 力并输入相同的编码器，从而实现在无手腕力/扭矩传感器的情况下的在线自适应。在五个固定肩部配置中随机施加手力并命令基座高度的仿真环境中，FAME 将 standing 成功率提高到 73.84%，相较于仅使用 curriculum 的基准的 51.40% 和 base policy 的 29.44%。我们进一步在全尺寸 Unitree H12 人形机器人上部署所学 policy 并评估了在代表性负载-interaction 场景中的鲁棒性，包括非对称单臂负载和对称双臂负载。代码和视频已在项目网站上提供。
引用
@article{arxiv.2603.08961,
title = {FAME: Force-Adaptive RL for Expanding the Manipulation Envelope of a Full-Scale Humanoid},
author = {Niraj Pudasaini and Yutong Zhang and Jensen Lavering and Alessandro Roncone and Nikolaus Correll},
journal= {arXiv preprint arXiv:2603.08961},
year = {2026}
}