FLAM：基于基础模型的人形机器人躯干稳定控制
机器人学
2025-03-31 v1 机器学习
摘要
近年来，人形机器人受到广泛关注。强化学习 (RL) 是控制人形机器人全身运动的主要方法之一。RL 使智能体能够通过与环境交互来完成任务，由任务奖励指导。然而，现有的 RL 方法很少明确考虑躯干稳定性对人形机器人运动和操作的影响。仅凭任务奖励的 RL 方法在实现全身控制的高性能方面仍然具有挑战。本文提出了一种面向人形机器人运动与操作的基础模型方法（FLAM）。FLAM 将稳定奖励函数与基础策略相结合。稳定奖励函数旨在鼓励机器人学习稳定姿态，从而加速学习过程并促进任务完成。具体而言，首先将机器人姿态映射到 3D 虚拟人模型上。随后，通过人体运动重建模型对人体姿态进行稳定和重建。最后，使用重建前后的姿态计算稳定奖励。通过将稳定奖励与任务奖励相结合，FLAM 有效地指导了策略学习。在人形机器人基准测试中进行的实验结果表明，FLAM 在提高稳定性和整体性能方面优于最先进的 RL 方法，凸显了其有效性。
引用
@article{arxiv.2503.22249,
title = {FLAM: Foundation Model-Based Body Stabilization for Humanoid Locomotion and Manipulation},
author = {Xianqi Zhang and Hongliang Wei and Wenrui Wang and Xingtao Wang and Xiaopeng Fan and Debin Zhao},
journal= {arXiv preprint arXiv:2503.22249},
year = {2025}
}
备注
8 pages, 7 figures