人形机器人拉人力车：耦合轮式负载下的全身运动

arXiv:2610.04238v2 公告类型：replace-cross 摘要：人形机器人可以通过牵引被动轮式车辆而非直接搬运负载，运输重量显著超过自身的载荷。然而，这一能力带来了耦合运动问题：机器人必须持续保持上肢接触，同时适应由载荷、车辆和地形引起的未知且与构型相关的作用力。我们提出了一种用于人形机器人拉人力车的全身控制框架，在不确定负载动力学条件下跟踪车辆的指令运动，同时保持平衡和稳定抓握。在训练过程中，特权教师利用车辆状态、交互作用力和负载属性。随后，将教师的动作和潜变量蒸馏到一个以历史信息为条件的学生策略中，使其能够根据本体感知响应隐式推断耦合动力学，之后再进行强化学习微调。与 No History 和 Only History 基线的比较表明，所得策略能够实现精确的车辆跟踪，同时减少车辆振荡、躯干倾斜和驱动成本。行为分析显示，Unitree G1 能够推动人力车，并产生与步态同步的全身反应，从而稳定其横向运动和侧倾运动。此外，在所测试的大多数负载—速度条件下，牵引能够重新分配关节负荷，并使机器人归一化运输成本代理指标低于无负载行走。在硬件实验中，单一策略无需针对负载进行专门重新调参，即可完成起步、持续牵引、转弯和停止，并适用于刚性载荷和人类乘客；其可处理的人力车满载质量最高达 115~kg。这些结果证明，通过协调且持续的人形机器人—车辆交互，可以实现稳健的重载运输。