HumanoidVLM：面向富接触人形操作的视觉-语言导引阻抗控制

人形机器人必须使其接触行为适应不同的物体和任务，然而大多数控制器依赖于固定的、手动调谐的阻抗增益和夹爪设置。本文介绍了 HumanoidVLM，这是一个视觉-语言驱动的检索框架，使 Unitree G1 人形机器人能够直接从以自我为中心的 RGB 图像中选择适合任务的笛卡尔阻抗参数和夹爪配置。该系统将用于语义任务推断的视觉-语言模型与基于 FAISS 的检索增强生成（RAG）模块相耦合，该模块从两个自定义数据库中检索经过实验验证的刚度-阻尼对和特定于物体的抓取角度，并通过任务空间阻抗控制器执行它们以实现柔顺操作。我们在 14 个视觉场景中对 HumanoidVLM 进行了评估，实现了 93% 的检索准确率。真实世界实验显示出稳定的交互动力学，z 轴跟踪误差通常在 1-3.5 cm 以内，且虚拟力与依赖于任务的阻抗设置保持一致。这些结果证明了将语义感知与基于检索的控制相联系的可行性，作为迈向自适应人形操作的一条可解释路径。