研究人员构建了一套人形机器人移动系统，将动作演示转化为机器人应在何时、何处建立接触的计划，而不是让机器人复现完整的全身动作。在仿真中，仅依靠接触信息引导，在所有参考配置锚定地形类别上的成功率均至少达到98.5%；研究人员还将该方法部署在Unitree G1上，感知与控制均在机载运行。
目录
研究人员构建了什么？
该系统为人形机器人提供了一套简洁的地形交互计划。计划不再规定动作过程中每个关节的位置，而是描述哪些身体部位应当接触、接触应发生在哪里，以及预计何时发生。这保留了演示中重要的环境交互信息，同时让控制器自行确定具体动作。
这一区别对全身运动很重要。机器人跨越落脚点时，也可能需要用手、膝盖或肘部抵住周围环境。研究人员的规划器可处理九个能够建立接触的身体部位：两只脚、两个膝盖、两只手、两个肘部和骨盆。因此，其接触计划所能表达的内容不止是普通的步序列。
这项工作还结合了两种辅助工具。动作重定向流程会根据机器人的物理能力调整人体动作数据，并记录身体接触信息。基于LiDAR的建图系统则将点云测量结果转换为局部地形图。这些组件共同支持利用演示中的交互进行训练，并控制机器人应对运行时遇到的地形。
关键结果是什么？
在参考配置锚定地形上，接触条件化跟踪器在每个评估类别中的成功率均至少达到98.5%。对比实验检验了在相同接触指令中加入参考根节点与关节运动是否能提升表现。结果并未显示出稳定提升，这表明对于该数据集所涵盖的全身技能，仅靠接触计划就能提供足够的引导。
评估还涵盖了若干不同的测试设置，不过报告文本并未给出所有设置的成功率。其中包括用于无参考微调的目标到达地形、增加障碍物的地形，以及带有凸起的不平整表面。另外，八条紧凑的路线组合了稀疏落脚点、全身障碍物和不同的过渡距离。
| 评估详情 | 报告数值 | 描述内容 |
|---|---|---|
| 参考配置锚定地形上的成功率 | 每个类别至少98.5% | 接触条件化跟踪 |
| 参考配置数量 | 123 | 用于训练和评估的配置 |
| 目标到达地形配置数量 | 32 | 第3阶段训练和评估所用配置 |
| 精选复合路线 | 8 | 组合落脚点与障碍物的独立路线 |
| 增加的不规则凸起幅度 | 5–15 cm | 用于改变表面粗糙度的范围 |
因此，报告中最明确的对比关乎动作表征：在参考配置锚定测试中，加入全身动作输入并未稳定胜过仅依靠接触信息引导。其他地形组用于考察该方法应对新条件的能力，但现有结果摘录未说明这些测试的成功率。研究人员还让机器人在机载运行感知与控制，而非依赖外部计算机。
接触规划系统如何工作？
系统从动作示例中生成接触计划，再利用地形观测引导移动。在数据准备阶段，研究人员将人体动作重定向到人形机器人上，并记录接触环境的身体部位。每次接触都带有序列中的时间和位置，因此训练数据同时记录了交互发生的顺序与地点。
在每个控制步，规划器都会为九个能够建立接触的身体部位分别生成一个接触提议。目标位置以机器人基座为参照，在与重力对齐的坐标系中表示，并进行偏航角对齐，使计划不受机器人绝对位置或朝向的影响。一个二值标志用于指示某个身体部位是否预计在规划时域内建立新的接触。生成的计划为控制器选择具体关节动作留出了空间。
地形感知由一套针对机器人头戴式LiDAR设计的神经建图流程负责。该流程将点云数据划分为局部网格并预测高程。对于每个网格，网络可以保留测得的高度、使用邻域平均值，或将网格留空。这样便能处理稀疏的LiDAR回波；其预测还会提供不确定性估计，帮助地图处理含噪读数。
训练分阶段进行，包括参考引导跟踪和无参考目标到达微调。系统还会随机化摩擦、质量和关节行为等物理属性，并为观测添加噪声。部署时，Unitree G1的LiDAR、状态估计器、建图流程和学习策略会在机载NVIDIA Jetson Orin上并行运行。
这对机器人技术为何重要？
许多机器人控制器都面临这样的选择：复现详细动作，还是通过试错直接学习移动。详细的参考动作有助于复现已知行为，但地形与演示不同时，适应起来可能很困难。从头开始学习虽然灵活，却很难仅靠奖励设计教会机器人全身交互。
接触计划提供了一种折中方案：演示指出重要的交互位置和时机，同时让控制器灵活决定如何在这些接触之间移动。这有望让已学行为更容易在变化的地形上重复使用，包括需要用手或膝盖以及双脚支撑的任务。它也为行走、攀爬、爬行和恢复等动作提供了一种通用表征。
对于评估人形机器人在不便使用外部传感或计算设备的环境中表现的团队而言，机载系统具有参考价值。它本身并不能证明机器人已能胜任所有部署任务，但展示了如何在机器人上集成感知、建图和学习控制。团队在比较平台时，可以浏览Robot Overflow上的人形机器人，或查看待售二手机器人。
有哪些局限与尚待解决的问题？
目前的感知与接触表征主要针对基于地形的交互，即2.5-D交互。建图系统能够捕捉梯级等精细地形特征，但该方法尚未提供更丰富的3D表征，因此还无法支持悬挂、头顶接触或操纵周围物体等动作。
该系统处理的是局部目标条件化移动，而非全局导航。对于接触序列相同、但需要不同身体动作的运动，它无法加以区分；文中举例包括后空翻和垂直跳跃。因此，不具有明显接触模式的腾空动作并不适合当前表征。
要支持更广泛的部署，还需要超越局部地形任务的证据。论文将基于视觉和通用3D场景的表征、语义任务输入以及更高层级的规划列为未来方向。这些扩展有望帮助系统选择目标，并在仅凭接触信息无法明确判断时区分预期行为。
关于该系统最常见的问题有哪些？
机器人运行时是否需要完整的全身动作脚本？ 不需要。该方法通过接触计划引导移动，部署时无需完整的参考轨迹。
规划器可以规划哪些身体部位的接触？ 它可以规划双脚、膝盖、双手、肘部和骨盆的接触。
部署时使用了什么机器人硬件？ 系统运行在Unitree G1上，感知、建图、状态估计和策略推理均由其机载NVIDIA Jetson Orin完成。
报告的98.5%成功率适用于所有地形测试吗？ 不适用。该数据指的是每个参考配置锚定地形类别的结果。现有结果摘录未提供其他地形组的成功率。
机器人团队应从中得到哪些启示？
核心思路是在不把机器人锁定于完整全身动作脚本的前提下，保留动作演示中有用的结构。接触计划为全身移动提供了一种简洁的引导方式；报告结果表明，对于经过测试的参考配置锚定地形，它足以实现出色的跟踪表现。要确认其在更广泛的3D交互和导航任务中的表现，仍需更多证据。
哪类现实任务最能受益于机器人规划双脚以外的接触？