面向工业运输任务的人形机器人负载感知 locomotion 控制
机器人学
2026-03-17 v1
摘要
在工业环境中部署的人形机器人需要执行高度耦合 locomotion 与操作的负载搬运运输任务。然而，在可变有效载荷和上部运动下实现稳定鲁棒的 locomotion 具有挑战，因为存在动力学耦合和部分可观测性。本文提出一种基于解耦但协调 loco-manipulation 架构的人形机器人负载感知 locomotion 框架。下位 locomotion 通过产生基于运动学推导的 nominal 配置残差关节动作的强化学习策略进行控制。运动学的 locomotion 参考配以高度条件化关节空间偏移以引导学习，同时采用基于历史的状态估计器推断基座线性速度和高度，并将负载和操作引起的扰动编码为紧凑的潜在表示。该框架在完全仿真中训练，并在无需微调的情况下部署到全尺寸人形机器人上。仿真与真实世界实验表明，方法实现了更快的训练速度、准确的高度跟踪以及稳定的 loco-manipulation。项目页面：https://lequn-f.github.io/LALO/。
引用
@article{arxiv.2603.14308,
title = {Load-Aware Locomotion Control for Humanoid Robots in Industrial Transportation Tasks},
author = {Lequn Fu and Yijun Zhong and Xiao Li and Yibin Liu and Zhiyuan Xu and Jian Tang and Shiqi Li},
journal= {arXiv preprint arXiv:2603.14308},
year = {2026}
}
备注
This work has been submitted to the IEEE Transactions on Industrial Electronics for possible publication