Workhorse：从人类数据中学习鲁棒的人形机器人全身移动操作

arXiv:2610.09117v1 公告类型：交叉收录 摘要：人形机器人仍难以根据第一人称视角 RGB 图像和本体感知信息规划涉及密集接触的全身操作。Workhorse 从无需机器人参与的人类演示中学习此类操作。视觉规划器预测五个连杆的目标位姿：躯干、双腕和双脚的位姿。基于强化学习的全身跟踪器在机器人上跟踪这些目标。两种策略使用同一组记录的人体位姿分别训练，无需重定向。我们对每种策略的训练数据进行增强，以模拟另一种策略在部署时产生的误差。在真实的 Unitree G1 上，Workhorse 能用双手并配合踢击分拣箱子、接住抛来的箱子，以及推倒并爬上行李箱。在箱子分拣过程中，我们展示了机器人被人推搡或箱子被拿走后的恢复能力。在演示房间的仿真副本中，该系统在 77% 的回合中完成箱子分拣；受到 40 牛顿·秒的推力冲量干扰时，完成率为 64%。使用同一组演示重新训练两种策略后，另一款仿真人形机器人在无推搡干扰的情况下，在 83% 的回合中完成箱子分拣。