HCLM: A Hierarchical Framework for Cooperative Loco-Manipulation with Dual Quadrupeds
本文介绍了 HCLM，这是一个分层框架，它将用于高层空间协调的集中式联合扩散策略与面向任务的混合全身控制器相结合，以实现稳健的低层执行，从而使双足四足机器人能够在仿真和真实环境中成功执行复杂的协作移动操作任务。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象两只四足机器人（如同装有机械臂的先进机器狗）试图协同工作，以移动、抓握和组装物体。要做到这一点极其困难，因为它们必须同时行走、保持平衡，并完美协调各自的机械臂。如果其中一只失足，整个团队都可能掉落物体或发生碰撞。
本文介绍了HCLM，一种全新的“大脑与身体”系统，旨在让这两只机器人无缝协作。可将其视为一个双层管理团队：一位战略指挥官和一位战术教练。
1. 战略指挥官（“大局观”大脑）
问题： 通常，如果教导机器人移动物体，它会记忆房间中的确切位置（例如“移动到东北角”）。一旦起点改变，机器人就会困惑并失败。
解决方案： HCLM 采用基于扩散策略（一种通过观察专家进行学习的人工智能）的“战略指挥官”。
- 类比： 想象两位舞者学习一套舞步。他们不是死记“向左迈三步”，而是学习彼此之间的关系：“保持两英尺距离并面对面”。
- 工作原理： 这位指挥官忽略房间的绝对位置，只关心机器人 A 相对于机器人 B 的位置。这被称为SE(3) 不变表示。
- 结果： 无论机器人是从厨房、仓库开始，还是整个房间被旋转，只要它们知道彼此间的相对位置，指挥官就能为它们生成完美的计划，以传递瓶子、搬运杆子或共同装箱。
2. 战术教练（“肌肉记忆”身体）
问题： 即使有完美的计划，机器人也可能打滑、被强风推挤或撞墙。僵化的计划在这些条件下会失效。
解决方案： HCLM 使用**混合全身控制器（WBC）**来执行计划。该层分为两部分：
- 主动规划器（前瞻）： 这一部分会预看未来几秒，确保机器人不会互相碰撞或撞上障碍物。这就像棋手提前思考三步以避免陷阱。
- 反应稳定器（反射）： 这一部分以每秒 100 次的速度即时反应，保持机器人直立且机械臂稳定。
- “软手”技巧： 当两只机器人共同抓握同一物体时，它们形成一个“闭环链”。如果一只机器人发生轻微漂移，就会产生危险的挤压力量（就像两人抬一张沉重的桌子，但其中一人走得比另一人快）。HCLM 采用协作导纳方案。
- 类比： 想象机器人拥有“软手”或“减震器”。如果机器人相互漂移或推挤，它们不会对抗力量导致抓握破裂，而是温和地让步并调整动作以释放张力。这既保护了物体，也防止机器人绊倒。
3. 现实世界测试
研究人员在三个具有挑战性的场景中测试了该系统：
- 动态交接： 一只机器人在行走中抓取瓶子，然后在两只机器人都在移动时将其传递给第二只机器人。
- 协同搬运： 两只机器人共同握住一根刚性杆，一起走向目的地。
- 协同装箱： 一只机器人在空中稳稳托住箱子，另一只机器人小心地将瓶子放入其中。
他们在高保真仿真中测试了这些场景，甚至将“交接”任务部署到了真实机器人上。
关键发现：
- 韧性： 当研究人员物理推动机器人或让它们从随机旋转的位置开始时，系统仍能持续工作。“战略指挥官”不会因新角度而困惑，“战术教练”则能吸收冲击而不掉落物体。
- 旧方法的失败： 当他们尝试使用依赖绝对房间坐标的旧方法执行相同任务时，一旦起点改变，机器人完全失败（成功率为 0%）。
总结
简而言之，HCLM是一个系统，教导两只四足机器人作为一个灵活的整体协同工作。它将“做什么”（学习相对位置以便在任何地方工作）与“怎么做”（利用智能反射保持平衡并避免压碎所持物体）分离开来。这使得它们即使在环境混乱或不可预测的情况下，也能执行复杂的协调任务。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。