具身智能🔥8.0
HULK:面向人形机器人的全身强力移动-操作学习
原标题: HULK:面向人形机器人的全身强力移动-操作学习
📋总体概括
加州团队提出HULK,一个面向人形机器人全身强力移动-操作的统一控制框架。该框架用模型预测控制(MPC)引导强化学习,并基于负载动力学预测训练两个教师策略:一个在腕部受力下跟踪手臂动作,另一个在抱持大物体时保持行走;训练中引入捕获点控制屏障函数(CBF)增强带载平衡能力,再将双教师蒸馏为单一策略。工作在仿真和Unitree G1真机上完成验证,解决了大质量负载改变质心、持续压迫上半身导致平衡与指令跟踪失效的难题。
⚡关键信息
- ▸HULK是面向人形机器人全身强力移动-操作的统一控制框架,已开源在arXiv(编号2610.08970)
- ▸采用MPC引导强化学习,基于负载后的动力学预测分别训练手臂跟踪与抱物行走两个教师策略
- ▸引入捕获点控制屏障函数(CBF)增强教师训练时的带载平衡能力
- ▸通过策略蒸馏将两个教师合并为单一策略,实现上半身受力与移动的协同控制
- ▸实验覆盖仿真与Unitree G1真机双平台验证
🔥犀利点评
大质量物体搬运是人形机器人从「会走路」迈向「能干活」的分水岭,难点从来不是演示性的抓取,而是负载改变质心后全身协调的稳定性。HULK的思路很务实:不搞端到端玄学,用MPC兜底物理合理性,再用CBF在训练期守住平衡底线,最后蒸馏成单一策略方便部署。双教师蒸馏的设计也说明多技能统一仍是刚需。真机用Unitree G1验证含金量不错,但暴力操作对硬件耐久性和力控执行器的考验,论文之外才是真正的坑。
📰 相关资讯(与本文相关的其他资讯)
本文由本站自动聚合,以下为原始来源:前往 arXiv cs.RO 论文 阅读全文 →