学习力反应式人形机器人移动操作
研究团队提出FLORE框架，用于学习力反应式人形机器人移动操作。数据采集不依赖机器人本体：用两个带力感知的UMI风格手持夹爪记录手部运动与接触力旋量，用可穿戴追踪器记录身体运动。力反应式扩散策略以视觉、本体感知和实测力旋量为输入，输出动作与每只手的力指令；带力跟踪的混合柔顺全身控制器在保持平衡的同时执行指令，通过对真实力/力矩传感器测得的力误差做积分，使每只手沿指令方向精确跟踪力、在其他方向保持柔顺。仿真中控制器可跟踪不同大小与方向的单手力指令，全身运动精度损失很小。机器人上三项接触密集任务中，力反应式策略成功率为80%，仅位置策略为26.7%。
发布于 10-27 12:57来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Learning Force-Reactive Humanoid Loco-Manipulation》查看原链
许多日常任务不仅需要控制运动，还需要控制接触力。 在人形机器人上，这种力往往需要双手与全身协同，仅靠运动学轨迹无法指定。 为此，我们提出FLORE，一个用于学习力反应式人形机器人移动操作的框架。 我们使用两个带力感知的UMI风格手持夹爪采集手部运动与接触力旋量，并用可穿戴追踪器采集身体运动，从而收集无机器人本体的演示数据。
一个力反应式扩散策略以视觉、本体感知和实测力旋量为输入，预测动作与每只手的力指令。 一个带力跟踪的混合柔顺全身控制器在执行这些指令的同时保持平衡：对真实力/力矩（F/T）传感器测得的力误差做积分，使每只手沿指令方向精确跟踪力，并在其他方向上保持柔顺。
在仿真中，该控制器能跟踪不同大小和方向的每只手的力指令，全身运动精度损失很小。 在机器人上的三项接触密集任务中，力反应式策略的成功率为80%，而用相同演示训练、由同一控制器执行的位置-only策略成功率为26.7%。 更多细节请访问我们的网站：https://louis-leee.github.io/FLoRe/。