面向类人具身智能体神经机器人抓取的逆运动学方法

本文提出了一种新颖的零样本运动规划方法，允许用户在笛卡尔空间中快速设计平滑的机器人运动。基于贝塞尔曲线的笛卡尔规划通过我们受神经启发的逆运动学（IK）方法 CycleIK 转换为关节空间轨迹，我们通过将其扩展到任意机器人设计来实现平台独立性。该运动规划器在两个人形机器人 NICO 和 NICOL 的物理硬件上，于人在回路的抓取场景中进行了评估。我们的方法部署在一个以大语言模型（LLM）为核心的具身智能体上。我们将最初为 NICOL 引入的具身智能体泛化，使其也能具身于 NICO。该智能体可以执行一组离散的物理动作，并允许用户口头指令各种不同的机器人。我们为其动作空间贡献了一个抓取原语，允许对家居物品进行精确操作。更新后的 CycleIK 方法在仿真中与流行的数值 IK 求解器和最先进的神经 IK 方法进行了比较，结果表明，在算法运行时间非常短的情况下，其性能与所有评估方法相比具有竞争力或更优。该抓取原语在 NICOL 和 NICO 机器人上均进行了评估，报告的抓取成功率分别为 72% 和 82%。