ExtremControl：基于缩放速度前馈的低延迟人形机器人遥操作
论文提出ExtremControl全身控制框架，将人形机器人遥操作端到端延迟从现有方法约200ms降至最低50ms。作者将仅使用位置的PD控制认定为延迟下限的根本原因，在底层控制中加入缩放速度前馈，使跟踪延迟减少约70ms，并给出可证明最优的前馈比例；控制直接作用于所选刚性连杆（主要是机器人末端）的SE(3)位姿，避免控制回路中的关节空间重定向，并推导出只需一次拟人化标定的闭式笛卡尔空间映射以适配不同体型操作者。系统支持光学动捕与VR追踪，在仿真和真机上验证了速度前馈在强化学习运动控制中的有效性，并演示了乒乓球平衡、杂耍和实时回球等反应性任务。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《ExtremControl: Low-Latency Humanoid Teleoperation with Scaled Velocity Feedforward》查看原链
arXiv:2602.11321v4 公告类型：替换 摘要：构建低延迟的人形机器人遥操作系统，对于采集多样化的反应性与动态演示至关重要。 然而，现有方法的端到端延迟普遍徘徊在约200ms，大致相当于人的反应时间，这严重限制了响应能力，并使需要快速反馈的任务无法完成。
我们确认仅使用位置的PD控制是这一延迟下限的根本原因，并提出ExtremControl，一个低延迟全身控制框架，其特点是：(1) 在底层控制中引入缩放速度前馈，将跟踪延迟减少约70ms，并给出可证明最优的前馈比例；(2) 直接作用于所选刚性连杆（主要是人形机器人末端）的SE(3)位姿，以避免控制回路中的关节空间重定向。
为最小化重定向时间，我们推导出一个闭式笛卡尔空间映射，只需一次拟人化标定步骤即可将人体运动转换为机器人连杆目标，从而适应不同体型比例的操作者。 此外，我们提供了选择控制超参数的理论框架，并通过仿真和真实世界实验验证了速度前馈控制在强化学习运动控制场景中的有效性。
基于ExtremControl，我们实现了一个支持光学动捕和VR追踪的遥操作系统，端到端延迟低至50ms——远低于系统延迟会给控制回路增加一个完整人类反应周期的阈值。 这催生了一类质变性的反应行为，包括乒乓球平衡、杂耍和实时回球，这些是现有遥操作系统无法做到的。