研究人员构建了一套完整系统，让操作员通过VR头显、手柄和跑步机远程控制微型人形机器人的双臂和双腿。通过将实时动作重定向与强化学习行走策略相结合，该系统实现了无需手动平衡或步态切换的全身远程操控。
目录
研究成果
该团队构建了一套完整的软件与硬件框架，用于远程全身操控——通过虚拟现实界面同时控制人形机器人的移动与操作。硬件配置包括：VIVE Pro 2头显（追踪操作者头部运动）、两个VIVE手柄（捕捉手部姿态），均由四个SteamVR基站2.0进行光学追踪；KAT Walk C2+ VR跑步机用于捕捉操作者的行走动作（此功能留待未来研究）。整套系统运行于配备i9 CPU和RTX 4090显卡的高性能PC上，以最小化VR延迟。
目标机器人是ROBOTIS OP3，一款拥有20个旋转自由度（每条腿6个自由度，每条手臂3个自由度，头部2个俯仰-偏航自由度）的微型人形机器人。其DYNAMIXEL XM430-W350-R舵机通过研究人员开发的数据驱动执行器模型进行控制。机器人原装摄像头被替换为VR180双鱼眼镜头USB摄像头，为操作员提供沉浸式第一人称视角。软件方面，系统结合了基于全身PD的阻抗控制器（用于柔性操作）和基于强化学习的移动策略（负责行走与站立平衡）。整个流程已在真实OP3硬件上验证。
关键结果
研究人员进行了两类实验验证系统：
- 远程操作验证：操作员用双臂快速画圆十次，以50Hz频率记录VR手柄位置和机器人实际末端执行器位置，测量动作追踪延迟和手臂重定向精度。
- 移动验证：在80秒试验中，每三秒向机器人发送随机全身速度指令。记录归一化投影重力（双足稳定性指标）与指令速度，评估强化学习策略在变化速度下的平衡维持能力。
论文报告称，系统在示例试验中成功实现了双臂远程全身操控（见补充视频）。尽管摘要未提供精确数值基准，但实验证实集成框架能实时追踪操作员手部动作，并在不同指令下维持稳定移动。数据驱动执行器模型对实现DYNAMIXEL舵机的可靠力矩控制至关重要。
工作原理
系统通过三个互连层工作：
- VR动作捕捉：VIVE Pro 2头显和手柄以高达90Hz频率报告6自由度姿态。通过逆运动学将操作者手臂和头部位置重定向为机器人对应关节角度。VR180摄像头画面回传至头显实现远程临场。
- 执行器建模与阻抗控制：由于DYNAMIXEL XM430舵机内置力矩控制有限，团队为每个执行器建立数据驱动模型（将期望力矩映射为指令电流）。全身PD阻抗控制器将期望末端力转换为关节力矩，使机器人既能跟随操作者指令，又能物理顺应外部干扰。
- 强化学习移动策略：在仿真中训练强化学习策略，输出关节力矩使机器人跟随期望线速度和角速度并保持直立。通过执行器的系统辨识（数据驱动模型）将策略迁移至真实机器人。强化学习策略与阻抗控制器运行于同一控制循环，因此移动与操作指令在力矩层面融合。
软件架构模块化：VR接口发送高级指令，强化学习策略处理行走，阻抗控制器管理手臂顺应性。三者实时运行于OP3的板载i7 NUC和OpenCR板上。
为何对机器人领域重要
这项工作表明，使用现成VR硬件和学习控制实现微型人形机器人全身远程操控是可行的。对机器人专业人士而言，这开辟了若干实际应用场景：
- 危险环境远程检测与操作（如核设施退役、灾难救援），需要人形机器人上下楼梯或穿越狭小空间。
- 远程临场物理交互——阻抗控制器确保机器人安全接触物体，同时操作员保持沉浸感。
- 可扩展训练——强化学习移动策略可在不改变硬件的情况下不断改进，未来可能用同一框架控制不同人形平台。
该系统对ROBOTIS OP3等小型人形机器人尤其相关，这类机器人价格适中，广泛用于研究实验室和教育领域。您可在Robot Overflow的人形机器人列表探索类似人形机器人，或在二手协作机器人出售中查找相关操作任务用的协作机械臂。
局限性与开放问题
系统存在若干已知局限：
- 机器人依赖墙电供电，限制自主性和现场部署。
- 移动策略仅在中速行走下验证，急转或斜坡可能导致失稳。
- VR运动追踪可能因遮挡或抖动而受影响，并传递至机器人末端执行器。
- 执行器模型针对特定DYNAMIXEL XM430舵机；移植至其他执行器需重新建模。
开放问题包括：系统能否扩展至大型人形机器人？VR跑步机能否替代操作者全身追踪以实现更自然的行走？如何在不手动切换模式的情况下处理多接触任务（如爬楼梯）？
常见问题
使用该系统需要哪些硬件？ VIVE Pro 2头显、两个VIVE手柄、四个SteamVR基站2.0、KAT Walk C2+跑步机（可选）以及ROBOTIS OP3人形机器人及其板载计算机。
操作者能否控制机器人行走速度和方向？ 可以——强化学习行走策略接受连续线速度和角速度指令，可由操作者身体运动或摇杆输入生成（当前设置中，指令通过程序发送）。
操作过程中如何维持机器人平衡？ 强化学习策略通过生成关节力矩来抵消手臂运动和外部力的影响，保持平衡。阻抗控制器增加顺应性，使机器人在接触时不会变得僵硬。
该系统可用于商业部署吗？ 尚未——目前仍是研究原型，需专用PC、有线供电和仔细校准。但软件架构模块化，可适配其他机器人平台。
结论
本研究证明，将VR远程操作与学习行走策略结合，可实现微型人形机器人的实时全身控制。开源式执行器建模和阻抗控制为未来便携低成本远程临场机器人奠定了坚实基础。进一步集成VR跑步机和负载动态平衡将是关键下一步。
这种VR+强化学习方法能否使微型人形机器人成为远程应急响应和检测任务的实用工具？