LAC: Linear and Angular Compliance for Humanoid Whole-body Control
作者: Yang Liu, Zhongkai Gu, Wei Zhu, Mitsuhiro Hayashibe
分类: cs.RO
发布日期: 2026-08-26
💡 一句话要点
提出LAC以解决人形机器人全身控制中的线性与角度柔顺性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 人形机器人 全身控制 线性柔顺性 角度柔顺性 强化学习 物理交互 机器人操控
📋 核心要点
- 现有的人形机器人控制方法要么拒绝外部力量，要么仅对部分关节施加柔顺性，无法有效应对复杂的物理交互。
- 本文提出LAC控制器，通过合成大规模数据集和强化学习，实现上半身对外部扭矩的线性与角度柔顺性。
- 实验结果表明，LAC能够在全范围内调节刚度命令，并在仿真和实际环境中有效应对外部扭矩。
📝 摘要（中文）
现实世界中的人形机器人任务涉及与物体和人类的物理交互，而现有控制器要么将外部力量视为干扰，要么仅对有限的身体关节施加柔顺性，忽视了角度效应。本文提出了一种通用的全身控制器LAC，能够同时实现上半身对施加扭矩的线性和角度柔顺性。首先，我们将全身柔顺响应合成到一个大规模的增强数据集中。然后，通过教师-学生强化学习训练单一策略，以跟踪外部扭矩下的柔顺运动。最后，广泛的仿真和实际实验展示了全身对施加扭矩的柔顺响应，以及在远程操作的运动操控任务中的适用性。
🔬 方法详解
问题定义：本文旨在解决人形机器人在与物体和人类交互时，现有控制器对外部力量的处理不足，无法实现全面的线性和角度柔顺性。
核心思路：LAC控制器通过合成全身柔顺响应的数据集，并利用教师-学生强化学习训练策略，能够同时处理施加于上半身的线性和角度扭矩。
技术框架：整体架构包括数据集合成、柔顺响应计算、强化学习训练和实际应用四个主要模块。首先，合成的数据集用于模拟外部力量和扭矩的影响；其次，计算每个接触点的柔顺响应；然后，使用强化学习训练策略以适应外部条件；最后，验证在真实环境中的表现。
关键创新：LAC的主要创新在于同时实现线性和角度的柔顺性，这在现有方法中是未曾实现的，能够更好地应对复杂的物理交互。
关键设计：在设计中，采用了大规模增强数据集，结合虚拟扭矩和被动屈服的运动链，设置了适应性刚度命令，并通过强化学习优化策略的跟踪能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，LAC控制器在全身对施加扭矩的响应上表现出显著的柔顺性，能够在刚度命令的全范围内进行单调调节。与基线方法相比，LAC在仿真和实际任务中均表现出更优的性能，提升幅度明显。
🎯 应用场景
该研究的潜在应用领域包括人形机器人在复杂环境中的操作、远程操控任务以及人机协作等。通过实现更高的柔顺性，LAC能够提升机器人在动态环境中的适应能力，具有重要的实际价值和未来影响。
📄 摘要（原文）
Real-world humanoid tasks involve physical interaction with objects and humans, yet current controllers either reject external forces as disturbances or restrict compliance to limited body links while ignoring angular effects. We present LAC, a general whole-body controller that simultaneously realizes commanded Linear and Angular Compliance for wrenches applied to the upper body. First, we synthesize whole-body compliant responses into a large-scale augmented dataset. Sampled force and couple events are imposed on contact frames extracted from human interaction data. At each contact link, the external force and a virtual torque from the passively yielding kinematic chain drive a virtual admittance under the commanded stiffness. Subsequently, teacher-student reinforcement learning trains a single policy to track the compliant motions under external wrenches. Finally, extensive simulation and real-world experiments demonstrate whole-body compliant responses to wrenches across the upper body, monotonic modulation over the full range of both stiffness commands, and applicability to teleoperated loco-manipulation tasks. Project website: https://lac-humanoid.github.io/