HAFO：面向强力互动环境的人oid机器人的力感适应控制框架
机器人学
2026-02-02 v4
摘要
强化学习（RL）控制器在人oid机器人运动学和轻量物体操作方面取得了显著进展。然而，在实现鲁棒且精确的力控制方面仍然是一个重大挑战。为此，本文提出了HAFO框架，这是一个双主体强化学习框架，通过耦合训练同时优化鲁棒的运动策略和精确的上臂操作策略。我们采用受限残差动作空间来提高双主体训练的稳定性和样本效率。外部潮湿扰动通过弹簧-阻尼系统显式建模，允许通过调节虚拟弹簧实现精细的力控制。在此过程中，强化学习策略会利用环境反馈自主生成抗扰动响应。实验结果表明，HAFO能够在多样化的力互动环境中，仅通过一个双主体策略实现人oid机器人的全身控制，在承重和推力扰动条件下表现卓越，rope 悬挂状态下仍保持稳定运行。
引用
@article{arxiv.2511.20275,
title = {HAFO: A Force-Adaptive Control Framework for Humanoid Robots in Intense Interaction Environments},
author = {Chenhui Dong and Haozhe Xu and Wenhao Feng and Zhipeng Wang and Yanmin Zhou and Yifei Zhao and Bin He},
journal= {arXiv preprint arXiv:2511.20275},
year = {2026}
}