一个控制器助力人形机器人行走、伸手、平衡并应对接触

一个控制器助力人形机器人行走、伸手、平衡并应对接触

Liangjun Xing, Ke Fan, Kailin Li, Bin Wang, Xiaojie Niu +6 位

1 分钟阅读•2026年11月15日

FORGE 为人形机器人提供一个统一控制器,负责行走、改变支撑姿态、腕部运动和接触感知操作。它根据关节运动和电机扭矩估计值推算腕部交互力,因此无需安装腕部力/扭矩传感器,也能在持续接触时进行适应。硬件测试显示,腕部跟踪误差低于 8 cm,足部落点误差低于 10 cm;扩散策略还利用它在四种负载条件下执行了举升任务。

目录

研究人员开发了什么?

FORGE 是一款面向人形机器人的全身控制器:它通过一个系统协调移动与手臂、手部任务动作。它的指令接口支持多个细节层级。操作员或更高层规划器可以指引机器人前往任务区域、调整支撑姿态,或提供腕部轨迹。该控制器旨在让这些指令协同工作,而不是把行走和操作视为彼此独立的任务。

当机器人推、持或放置物体时,还会遇到另一个问题:它需要对接触力做出响应,但安装腕部力/扭矩传感器会增加硬件和集成方面的要求。FORGE 利用关节状态信息和重建的电机控制扭矩估算每个腕部的交互力,再用这一估计值调整腕部位置目标,以应对持续且相对稳定的接触。

在全身运动方面,FORGE 以预训练的移动控制器为基础,并将其下肢专家模块保持冻结。一个学习得到的残差策略会增加上身动作和下肢修正,使机器人能够伸手或进行操作,同时保留已学得的行走基础。控制器的训练不依赖全身人体动作示范。

FORGE 人形机器人执行瓶子任务并展示估算的腕部力响应

FORGE 在测试中取得了什么成果?

硬件测试涵盖行走、下蹲与举升、指定足部落点、动态伸手以及受扰后的恢复。在一项动态伸手评估中,报告的均方根误差(RMSE)——衡量典型跟踪误差的指标——在三维腕部位置上低于 8 cm,在平面足部位置上低于 10 cm。这些数据表明系统具备实用的任务空间跟踪能力,但仅凭这些数据并不能证明它在所有机器人或运行环境中都能达到相同性能。

研究人员还测试了腕部受到 30 N 推力以及机身被拖动 50 cm 的情况。代表性曲线显示,跟踪误差出现瞬态变化后有所恢复,同时骨盆加速度保持有界;但所提供的结果没有给出恢复时间或加速度限值的数值。在估算器对比中,对于所评估的准静态接触,混合力估算器相比仅使用解析方法或仅使用学习方法的方案降低了误差,但所提供的文本没有报告具体误差值。

评估项目报告结果
动态腕部跟踪三维腕部位置 RMSE 低于 8 cm
动态足部落点平面足部位置 RMSE 低于 10 cm
扰动测试在腕部受到 30 N 推力和机身被拖动 50 cm 后的恢复曲线
下游学习数据320 次示范:四种负载条件各 80 次
硬件试验每种负载条件 20 次试验

另一项测试使用四种负载条件下的示范训练了一个扩散策略——一种将视觉输入和任务状态转化为动作指令的模型。FORGE 在深蹲举升任务中充当该策略的全身执行器。这表明,学习型规划器可以向 FORGE 发出多个细节层级的指令;但现有结果没有提供任务成功率或负载重量。

FORGE 在不同接触条件下的力泛化评估

FORGE 如何控制人形机器人?

FORGE 结合了三个部分:多层级指令接口、接触力估算与适应回路,以及残差式全身控制器。

力估算路径始于一个基于模型的动量观测器。观测器是一种根据测量值估算不可直接观测物理量的计算方法;在此处,它估算的是外部交互力。FORGE 还加入了一个利用仿真器生成的监督数据训练的学习型修正模块。在实际部署时,这种混合估算器使用手臂关节状态和重建的底层比例-微分(PD)电机扭矩。它不需要腕部力/扭矩传感器。它估算的目标是等效腕部力的低频分量,因此最适用于持续的准静态接触,而非所有快速冲击。

接触期间,估算出的力会输入一个虚拟目标回路。该回路调整腕部的位置目标,以补偿腕部受到的力,还可以纳入机器人应施加的指定力。这样,控制器就能在维持接触的同时调整运动,而不是只能依赖固定的腕部轨迹。

在全身协调方面,预训练的移动专家模块提供基准下肢动作。一个强化学习策略会添加残差动作,即在基准动作上叠加学习得到的调整。它控制上身,也可以对下肢进行修正。冻结移动专家模块可减少学习操作技能时所需的高风险探索,同时仍允许机器人根据任务需求调整平衡。研究人员还报告称,他们使用了指令掩码和非对称残差训练;与消融实验——即移除或更改部分方法的测试——相比,这些方法提升了稳定性和任务空间跟踪表现。

FORGE 硬件测试中的骨盆加速度与腕部跟踪误差

FORGE 为何对现实世界的机器人技术很重要?

许多人形机器人任务都要求机器人同时移动和操作:接近工作区域、摆好脚位、伸手拿取物体,并在开始接触后调整动作。能够协调这些步骤的控制器有望简化导航、操作和接触处理之间的衔接。FORGE 的多粒度指令也为低层机器人控制与高层规划器搭建了潜在桥梁,让规划器可以描述任务,而不必指定每个关节的动作。

对于测试所涉及的持续接触类型,无需传感器的腕部力估算有望降低对专用腕部硬件的依赖。这里的“无需传感器”仅指腕部力/扭矩测量,并非完全不依赖传感器:估算器仍使用关节状态和重建的电机扭矩。它的接触适应功能可能适用于扶稳或举升物体等任务,但测试并未证明它能适用于所有材料、冲击情况或工业工作流程。

扩散策略评估具有参考意义,因为它把 FORGE 作为视觉运动规划器下层的执行器,而不是要求规划器输出每一条关节指令。这种分层方式有望帮助团队开发任务级行为,同时将平衡和全身动作执行交给专门的控制层。工程师比较平台时,可以浏览 Robot Overflow 上的人形机器人,或探索更广泛的二手机器人市场。

FORGE 还有哪些方面尚未得到验证?

报告中力估算方面的优势仅适用于所评估的准静态接触。所提供的结果没有包含具体的力误差值,因此无法量化它相较于仅使用解析方法或仅使用学习方法的估算方案究竟改善了多少。快速冲击、不断变化的接触几何形状以及更难预测的材料,仍有待测试。

跟踪数据来自硬件评估,但现有文本没有提供完整的任务成功率、恢复时间或骨盆加速度界限的具体数值。扩散策略测试涵盖四种负载条件和 320 次示范,但未给出负载重量和跨条件成功率。最后,冻结的移动专家模块可以维持稳定步态,但也可能限制残差策略可执行的动作范围。要弄清部署需要多少再训练或调参,还需要在更多平台和任务中进行测试。

工程师应了解 FORGE 的哪些信息?

FORGE 是否需要腕部力/扭矩传感器? 不需要。它的腕部力估算器使用手臂关节状态和重建的底层 PD 扭矩,不过机器人仍需具备这些基础测量数据。

FORGE 能否同时控制行走和操作? 可以。它将导航、支撑姿态和腕部姿态指令整合在一个全身控制器中,并通过学习得到的修正协调上身和下身动作。

报告中的测试里,腕部跟踪精度如何? 动态伸手测试中的腕部位置 RMSE 在三维空间中低于 8 cm。这是测试结果,并非对所有任务或平台的性能保证。

FORGE 是否经过学习型视觉规划器测试? 是。一个扩散策略基于 320 次示范,使用头戴式 RGB 图像和任务状态,在四种负载条件下向 FORGE 发出指令。

实际意义是什么?

FORGE 将移动、伸手和持续接触适应整合在一个人形机器人控制系统中;硬件测试显示,在动态伸手测试中,腕部跟踪误差低于 8 cm,足部跟踪误差低于 10 cm。它最重要的贡献,是提供一种实用的控制架构,将任务级指令连接到全身运动;不过,力估算精度和更广泛的部署表现仍需更完整的报告。

对于哪类任务而言,能够在保持接触的同时调整支撑姿态并伸手的人形机器人最有用?