Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction
本文提出了一种任务语义化、场景锚定的框架，该框架结合了重定向的人类演示、轨迹优化与强化学习，使 Unitree G1 人形机器人能够鲁棒地执行复杂的、具有坡度自适应性的全身运动及建筑任务（例如铺设屋顶），同时保持精确的支撑与作业间隙约束。
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
想象一个能够像人类一样行走、攀爬和工作的机器人。多年来，科学家们一直通过向机器展示人类行走或奔跑的视频来教它们移动。计算机复制这些动作，指挥机器人的腿部和手臂模仿人体。这种方法在平坦的地面上效果很好，但当地面倾斜时就会失效。在陡峭的屋顶上，简单的模仿人类动作可能会非常危险。如果机器人试图模仿人类弯腰钉钉子的动作，计算机可能会让机器人的脚悬在半空中，或者让它的手直接穿透屋顶瓦片。机器人不仅需要理解身体如何运动，还需要理解其身体相对于所站立的具体表面的位置。这就是赋予机器人处理建筑施工中杂乱、不平整世界之能力的核心挑战。
佛罗里达大学的一个研究小组解决了这个问题，他们教会了一台类人机器人如何像屋顶工一样行动。他们专注于一种被称为 Unitree G1 的特定类型的机器人，这种机器人双腿站立，并拥有类似人的手臂。目标是超越简单的行走，教会机器人在倾斜的屋顶上穿行、弯腰工作，并使用钉枪或锤子等工具，而不会摔倒或撞击表面。研究人员意识到，仅仅复制人类的动作是不够的。人类本能地知道如何在斜面上调整平衡，但一个遵循视频脚本的机器人可能意识不到自己的脚正悬在一个缝隙上方，或者手即将撞击屋顶。为了解决这个问题，该团队创建了一种结合了人类动作与精确屋顶数字地图的新方法。
这一过程始于记录一名人类工人在实验室坡道上执行屋顶任务的过程。这个人戴着虚拟现实头显，并在手部和脚踝处佩戴了追踪器，使研究人员能够捕捉动作的时机和流畅度。随后，这些数据被传输到机器人身上，生成了动作的第一稿。然而，这个草稿是有缺陷的。因为机器人的身体结构与人类不同，最初的复制会导致机器人的脚位置不对，且手相对于屋顶的高度也不对。为了修正这一点，研究人员使用了一个详细的屋顶 3D 模型。他们调整了机器人的参考路径，使其脚部牢固地踩在斜面上，且手部与瓦片保持安全且特定的距离。例如，他们确保机器人在拿着钉枪时，手部恰好距离屋顶 25 厘米；在使用锤子时，距离为 12 厘米。这一步骤确保了机器人的计划在实际移动之前在物理上是可行且安全的。
即使有了完美的计划，机器人在实际移动时仍可能犯错。现实世界充满了计算机模拟无法预测的小型滑动和延迟。为了应对这种情况，研究人员教会了机器人在移动过程中关注这些安全规则。他们使用了一种学习方法，通过奖励机器人保持手部与屋顶的正确距离，并惩罚任何身体部位在不该接触表面时触碰表面的行为。这种训练首先在计算机模拟中进行，机器人在各种角度的屋顶（从 9 度的缓坡到 25 度的陡坡）上进行了数千次练习。结果显示，机器人学会了根据坡度调整姿态，在弯腰工作时保持平衡。
随后，该团队在实验室中通过真实的机器人测试了这些技能。他们搭建了一个真实的屋顶平台，让机器人尝试它所学到的任务。机器人成功地走上斜坡，弯腰握住钉枪，并挥动了锤子。在每一次测试中，机器人都保持双脚踩在屋顶上，并将手保持在正确的距离，避免了与表面的任何碰撞。测量结果显示，机器人的动作非常精准，其身体始终保持在预定路径的几厘米范围内。研究人员还将该方法与其他方法进行了对比。他们发现，仅受奖励信号驱动而没有人类动作引导的机器人，最终会呈现出一种奇怪的蹲伏姿势，看起来不像是在进行真实的屋顶作业。同样，由人类操作员实时控制的机器人，在尝试踏上斜坡时会失去平衡并摔倒。这种结合了人类动作、屋顶数字地图以及具备安全意识的学习的新方法，是唯一能够可靠运行的方法。
这项研究表明，对于要在建筑领域工作的机器人而言，它们需要的不仅仅是行走的能力。它们需要理解所站立表面的几何形状，并在工作时与该表面保持安全的关系。研究人员发现，仅仅复制人类动作是不够的；机器人必须植根于作业现场的物理现实中。通过教会机器人尊重屋顶的形状并保持工具的正确距离，该团队为未来可能从事屋顶铺设等危险任务的机器奠定了基础。虽然目前的测试是在带有安全带的可控实验室环境下进行的，但结果表明，在斜坡上攀爬和工作的基本技能已近在咫尺。下一步将是观察这些机器人是否能够应对真实建筑工地中粗糙、不平整且不可预测的环境。
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。