RAMBO：用于四足 locomotion-操作的强化学习增强模型基全身控制
机器人学
2025-08-07 v4
摘要
四足机器人的 locomotion-操作（即在运动与物体物理交互之间进行协调控制）仍是一大挑战，因需同时实现精确的末端执行器控制与对未建模动力学的鲁棒性。虽然模型基控制器通过在线优化提供精确规划，但受限于模型不准。相比之下，基于学习的方法具有鲁棒性，但难以精确调制交互力。我们引入 RAMBO 框架，将模型基全身控制集成于通过强化学习训练的反馈策略中。模型基模块通过求解二次规划生成前馈力矩，而该策略提供反馈纠正项以提升鲁棒性。我们在四足机器人上进行实验，验证了该框架在多样化的真实世界 locomotion-操作任务中的有效性，包括推动购物车、平衡盘子、搬动柔软物体等，分别以四足行走和双足行走形式实施。实验结果表明，RAMBO 能够实现精准的操作能力，同时实现稳健且动态的 locomotion。
关键词
引用
@article{arxiv.2504.06662,
title = {RAMBO: RL-Augmented Model-Based Whole-Body Control for Loco-Manipulation},
author = {Jin Cheng and Dongho Kang and Gabriele Fadini and Guanya Shi and Stelian Coros},
journal= {arXiv preprint arXiv:2504.06662},
year = {2025}
}
备注
Accepted to IEEE Robotics and Automation Letters (RA-L)