GentleHumanoid：用于接触密集人类与物体交互的上身合规性学习

人oid机器人预计将在以人类为中心的环境中运行，其中安全且自然的物理交互至关重要。然而，大多数最近的强化学习（RL）策略都强调刚性跟踪并抑制外部力。现有的阻抗增强方法通常局限于基座或末端执行器控制，侧重于抵抗极端力量而非实现合规性。我们引入GentleHumanoid，一个将阻抗控制集成到整个身体运动跟踪策略中以实现上身合规性的框架。其核心是一种统一的弹簧公式，既建模了抗性接触（压力表面时的恢复力），也建模了引导性接触（来自人类运动数据的推力或拉力）。该公式确保肩部、肘部和手腕之间运动学一致的力量，同时使策略暴露于多样化的交互场景。安全性通过任务可调力阈值进一步得到支持。我们在仿真环境中以及在Unitree G1人oid机器人上评估了该方法，针对需要不同合规性水平的任务，包括温柔拥抱、坐起帮助和安全物体操控。与基线方法相比，我们的策略在保持任务成功率的同时，显著降低了峰值接触力，实现了更顺畅、更自然的交互。这些结果凸显了人oid机器人能够安全且有效地与人类协作并在实际环境中处理物体的潜在方向。