FLORE 框架让人形机器人学会双手协同控制接触力
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载不依赖机器人的数据采集
FLORE 的数据来源刻意绕开了机器人本体。手部一侧使用两个带力传感的 UMI 式手持夹爪，同时记录手的运动轨迹和接触力旋量；身体一侧使用可穿戴追踪器记录躯干与四肢的运动。这样采集到的演示既包含动作，也包含任务中实际施加的力信息，而后者恰恰是纯运动学轨迹无法表达的。论文强调，人形机器人上的力往往需要双手与全身协同，单靠关节轨迹无法指定。这一设计的意义在于：训练数据不必来自昂贵的真机遥操作，手持夹爪与穿戴设备即可覆盖手部与身体两个层面。
策略与控制器的分工
系统分为策略与控制器两层。策略是力反应扩散策略，输入包括视觉、本体感知和实测力旋量，输出是动作以及每只手的力指令，也就是说力不是事后由控制器补上的，而是策略直接预测的目标。控制器是混合柔顺全身控制器，负责在维持平衡的前提下执行这些指令。它使用真实力/力矩传感器测得的力误差积分，让每只手沿指令方向精确跟踪力，而在其他方向上保持柔顺，避免刚性对抗。仿真结果显示，该控制器能够跟踪大小与方向各异的单手力指令，同时全身运动精度损失很小，说明力跟踪与平衡控制可以并存。
真机成功率对比
论文在三项接触密集的真机任务上做了验证。力反应策略在全部 rollout 中成功率为 80%；作为对照，位置策略使用同一批演示数据训练、由同一个控制器执行，成功率只有 26.7%。两组之间唯一的差别是策略是否接收并输出力信息，因此这一差距直接指向力反应能力本身，而不是数据质量或底层控制的差异。论文共 9 页、6 幅图，更多细节发布在项目网站上。
为什么值得看
人形机器人做接触密集任务时，只靠运动轨迹不够，这篇给出了把力指令纳入策略与全身控制的具体做法，并给出真机成功率对比。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。