TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation
该论文提出了 TAC-LOCO，这是一个统一的强化学习框架，它将柔性夹爪的触觉反馈集成到全身控制中，使四足机器人能够在存在不确定外部交互的情况下，动态稳定抓取的物体并显著降低抓取力，同时保持高成功率。
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
想象一只四足机器人狗，它不仅在四处奔跑，还在嘴里叼着一个娇嫩、柔软的水果，同时还要躲避障碍物。现在，想象这个水果正被一只无形的手拉扯，这只手的力量不断增强，或者突然松开。机器人必须紧紧咬住，否则会压碎水果；如果咬得太松，水果就会飞走。这就是“运动操控”（loco-manipulation，即移动时进行操作）中棘手的舞步——长期以来，机器人在这方面表现得很糟糕，因为它们本质上对自己抓握的力量“视而不见”。
TAC-LOCO 的出现，为机器人狗提供了一个全新的“大脑”，终于赋予了它们触觉。
问题所在：“铁钳式抓握”的错误
在此之前，大多数尝试在移动时携带物品的机器人狗都依赖于一种“猜测并抓紧”的策略。它们会牢牢抓住一个物体并祈祷一切顺利。本文认为这是一个坏主意。由于缺乏感知，机器人无法判断物体是在滑动，还是正受到外部力量的拉扯。这就像你戴着厚厚的手套试图端着一杯水，而有人在摇晃桌子，你却感觉不到杯子的晃动。结果呢？你要么压碎杯子，要么掉落杯子。
作者明确排除了让机器人仅仅“用力抓紧”并忽略交互作用的想法。他们也反对那些试图在不实际感知手中物体的情况下，去猜测作用在机器人身体上的力的做法。
解决方案：拥有“指尖触感”的机器人
研究人员构建了一个名为 TAC-LOCO 的系统，它像是一个统一的大脑，协调机器人的腿部、手臂和夹持器（即“手”）。该系统不仅仅观察关节的位置，还会读取夹持器手指上的触觉传感器数据。你可以把这些传感器想象成成千上万个微小的压力点，它们能告诉机器人物体是如何挤压其“皮肤”的。
机器人通过一种被称为**强化学习（Reinforcement Learning）**的过程进行学习，这就像是用零食训练狗狗一样。机器人在一个视频游戏模拟器中尝试了数百万次场景，其中有一只无形的手在拉扯它手中的物体。
- 如果它捏得太紧，会得到一个“低分”。
- 如果它掉了物体，会得到一个“极低分”。
- 如果它在移动时能保持物体安全，它就会得到一个“奖励（零食）”。
久而久之，机器人学会了一个秘诀：只用必要的力度去捏。 它学会了在感觉到物体开始滑动的瞬间收紧抓握，并在拉力消失时放松抓握。
神奇的数字
结果非常出色，但需要明确的是：这些数字来自模拟实验以及在特定机器人设置（Unitree Go2 机器狗配搭 Interbotix WidowX 250 手臂）上的现实世界测试。
- 力量减少： 与那些只会死死抓紧的机器人相比，该机器人学会了使用减少 47% 的力量来固定物体。这在节省能量和避免压碎易碎物品方面取得了巨大的胜利。
- 掉落率： 在现实世界测试中，机器人的掉落率低于 1%。这意味着每 100 次尝试中掉落次数不到 1 次。
- 成功率： 当机器人在受力变化的情况下移动并持物时，其成功率达到了 90%。
“零样本”惊喜
这是故事中最有趣的部分。机器人在一个使用特定圆柱形物体的模拟环境中接受了训练。当研究人员将机器人从游戏中带到现实世界时，他们并没有重新训练它或调整它的设置。他们只是递给它一个草莓和一个球体。
机器人此前从未见过草莓，但它成功地在行走并对抗弹簧拉力时稳稳拿住了草莓。它不需要知道草莓“是什么”；它只需要知道如何对草莓“滑动的感觉”做出反应。这表明机器人学到的是一种通用的“感知并调整”的技能，而不是死记硬背特定的形状。
本文并未声称的内容
了解这些机器人目前还“不能”做什么也很重要。论文承认模拟环境并不完美。由于现实世界是混乱的，且模拟软橡胶手指非常困难，机器人目前还无法以 100% 的精度测量出精确到牛顿（Newtons）的力。此外，现实世界中的机械臂比模拟版本中的要慢且力量较小，因此现实世界的表现可能不像视频游戏版本那样华丽。
核心结论
TAC-LOCO 展示了赋予机器人触觉如何改变一切。它不再是一个靠死命抓紧来维持平衡的笨拙粗鲁者，而变成了一个能够实时调整抓握力的优雅伙伴。它证明了，如果你希望机器人在混乱、不可预测的世界中移动并搬运物品，它需要“感觉到”它所拿的东西，而不仅仅是靠猜测。
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。