HULK：学习面向人形机器人的全身强力移动操作

arXiv:2610.08970v1 公告类型：cross 摘要：大型重物的人形机器人移动操作要求全身进行强力交互。然而，这类负载会改变人形机器人的质心，并使上身承受持续载荷，从而给平衡和指令跟踪带来挑战。我们提出 HULK，一种用于强力移动操作的全身控制框架。我们利用模型预测控制（MPC）根据负载动力学预测引导强化学习，并训练了两个教师策略：一个在腕部受力条件下跟踪手臂运动，另一个在将大型物体贴身抱持的同时实现移动。在训练过程中，我们通过加入捕获点控制屏障函数增强腕力教师策略，以改善负载下的平衡能力。随后，我们将两个教师策略蒸馏为单一策略。评估涵盖仿真环境和 Unitree G1。在仿真中，在每条手臂承载 10 kg 的情况下，带有屏障函数的教师策略在所评估的控制器中实现了最低的前向和侧向速度跟踪误差，并且相较于单独使用 MPC 引导强化学习，将发散运动分量（DCM）的总偏移幅度降低了 35.7%。我们的腕力教师策略能够承受最高 130 N 的躯干推扰动。