TACT：基于触觉模态深度模仿学习的仿人机器人全身接触操作
机器人学
2025-06-19 v1
摘要
仿人机器人利用全身接触进行操作具有显著优势，包括增强稳定性和减少负载。另一方面，我们需要应对诸如运动生成计算成本增加和大面积接触测量困难等挑战。因此，我们开发了一种仿人机器人控制系统，使得上身配备触觉传感器的仿人机器人能够基于人类遥操作数据，通过模仿学习来学习全身操作策略。该策略命名为触觉模态扩展 ACT（TACT），其特征是能够将多种传感器模态作为输入，包括关节位置、视觉和触觉测量。此外，通过将该策略与基于双足模型的重定向和移动控制相集成，我们展示了等比例仿人机器人 RHP7 Kaleido 能够在保持平衡和行走的同时实现全身接触操作。通过详细的实验验证，我们表明将视觉和触觉模态同时输入策略有助于提高涉及广泛且精细接触的操作的鲁棒性。
引用
@article{arxiv.2506.15146,
title = {TACT: Humanoid Whole-body Contact Manipulation through Deep Imitation Learning with Tactile Modality},
author = {Masaki Murooka and Takahiro Hoshi and Kensuke Fukumitsu and Shimpei Masuda and Marwan Hamze and Tomoya Sasaki and Mitsuharu Morisawa and Eiichi Yoshida},
journal= {arXiv preprint arXiv:2506.15146},
year = {2025}
}