学习全身 locomotion-操作：基于轮式四足机械臂的全向任务空间姿态跟踪
机器人学
2025-08-14 v2 机器学习
摘要
本文研究了基于强化学习（RL）的全身 locomotion-操作问题。具体聚焦于如何协调浮动基座与机器人机械臂，以在任务空间中实现直接的六维（6D）末端执行器（EE）姿态跟踪。不同于传统全身 locomotion-操作问题跟踪浮动基座与末端执行器指令，direct EE姿态跟踪问题需要在全身运动中保持冗余自由度的内在平衡。我们利用RL求解这一具有挑战性的问题。为解决相关难题，我们开发了 novel reward fusion 模块（RFM），系统性地以非线性方式整合对应不同任务的奖励项。如此，locomotion-操作问题的内在多阶段和层次特征即可得到妥善容纳。通过将所提出的RFM与教师-学生RL训练范式相结合，我们提出了完整的RL方案，以实现轮式四足机械臂机器人的6D EE姿态跟踪。广泛的仿真与硬件实验表明，RFM的重要性。特别是，我们实现了平滑且精确的跟踪性能，实现了小于5厘米的跟踪位置误差，以及小于0.1 rad的旋转误差。更多实验视频请参见 https://clearlab-sustech.github.io/RFM_loco_mani/。
引用
@article{arxiv.2412.03012,
title = {Learning Whole-Body Loco-Manipulation for Omni-Directional Task Space Pose Tracking with a Wheeled-Quadrupedal-Manipulator},
author = {Kaiwen Jiang and Zhen Fu and Junde Guo and Wei Zhang and Hua Chen},
journal= {arXiv preprint arXiv:2412.03012},
year = {2025}
}