学习自适应神经遥操作用于人oid机器人：从逆运动学到端到端控制

虚拟现实 (VR) 遥操作已成为控制人oid机器人执行复杂操作任务的有前景的方法。然而，传统遥操作系统依赖于逆运动学 (IK) 求解器和手调PD控制器，难以处理外部力量、适应不同用户，以及在动态条件下产生自然运动。在本工作中，我们提出了基于学习的神经遥操作框架，用强化学习训练的策略取代常规的IK+PD管线。我们的方法学习直接将VR控制器输入映射到机器人关节命令，同时隐式处理力量扰动、产生平滑轨迹并适应用户偏好。我们在使用来自IK基于遥操作的演示作为初始化，然后通过力量随机化和轨迹平滑性奖励进行微调来训练策略。在Unitree G1人oid机器人上的实验表明，我们的学习策略在跟踪误差降低34%、运动平滑度提升45%，并在力量适应性方面优于IK基线，同时保持实时性能（50Hz控制频率）。我们在包括物体抓取与放置、门打开和双手协作在内的操作任务上进行了验证。这些结果表明，基于学习的方法显著改进了人oid遥操作系统的自然性和鲁棒性。