Learning Force-Reactive Humanoid Loco-Manipulation

📄 arXiv: 2610.35862v1 📥 PDF

作者: Sihang Li, Xiaofeng Guo, Jinkun Cao, Charlie Cheng, Ruihan Yang, Chen Feng, Guanya Shi, Haozhi Qi

分类: cs.RO, cs.AI, cs.LG, eess.SY

发布日期: 2026-10-26

备注: 9 pages, 6 figures

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出FLORE框架以解决人形机器人力反应行走操控问题

🎯 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 力反应控制 行走操控 混合顺应 扩散策略 任务执行 机器人学习

📋 核心要点

  1. 核心问题：现有方法无法有效协调人形机器人在复杂任务中的接触力与运动，导致执行效率低下。
  2. 方法要点：提出FLORE框架，通过力反应扩散策略结合视觉和身体感知，实现力与运动的协调控制。
  3. 实验或效果：在三项接触丰富的任务中，力反应策略成功率达到80%，显著高于仅基于位置的策略26.7%的成功率。

📝 摘要（中文）

许多日常任务需要同时控制接触力和运动。在人形机器人上，这种力通常需要在双手和全身之间协调，单靠运动轨迹无法指定。因此，本文提出了FLORE框架，用于学习力反应的人形机器人行走操控。我们使用两种力传感的手持夹具收集机器人无关的演示数据，并利用可穿戴追踪器记录身体运动。力反应扩散策略以视觉、身体感知和测量的扭矩为输入，预测动作和每只手的力命令。混合顺应的全身控制器执行这些命令，同时保持平衡：通过实际的力/扭矩传感器测量的力误差的积分，使每只手沿命令方向准确追踪力，并在其他方向保持顺应。在仿真中，该控制器能够以较小的全身运动精度损失跟踪不同大小和方向的每只手的力命令。

🔬 方法详解

问题定义：本文旨在解决人形机器人在执行复杂任务时，如何有效协调接触力与运动的问题。现有方法往往仅依赖运动轨迹，无法满足多手协调的需求，导致任务执行效率低下。

核心思路：论文提出的FLORE框架通过学习力反应策略，结合视觉、身体感知和接触力信息，能够动态调整机器人在执行任务时的力与运动，确保更高的任务成功率。

技术框架：FLORE框架包括数据收集、力反应扩散策略、混合顺应控制器等模块。首先，通过力传感器和可穿戴设备收集数据，然后利用扩散策略预测动作和力命令，最后由控制器执行并保持平衡。

关键创新：最重要的创新在于引入力反应扩散策略，使机器人能够在复杂环境中灵活应对多种接触力需求，显著提升了任务执行的成功率。与传统的仅基于位置的控制方法相比，FLORE框架实现了更高的灵活性和适应性。

关键设计：在设计中，使用了混合顺应控制器，结合实际的力/扭矩传感器反馈，确保每只手能够沿命令方向准确追踪力，同时在其他方向保持顺应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FLORE框架在三项接触丰富的任务中，力反应策略的成功率达到80%，而仅基于位置的策略成功率仅为26.7%。这一显著提升展示了新方法在复杂任务中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、工业自动化以及人机协作等场景。通过提高人形机器人在复杂任务中的力与运动协调能力，能够显著提升其在实际应用中的效率和安全性，未来可能推动智能机器人在更多领域的广泛应用。

📄 摘要（原文）

Many everyday tasks require controlling contact force as well as motion. On a humanoid, this force must often be coordinated across both hands and the whole body, and cannot be specified by kinematic trajectories alone. Therefore, we present FLORE, a framework for learning force-reactive humanoid loco-manipulation. We collect robot-free demonstrations using two force-sensing UMI-style handheld grippers for hand motion and contact wrenches, and wearable trackers for body motion. A force-reactive diffusion policy takes vision, proprioception, and measured wrenches as input, then predicts actions and per-hand force commands. A hybrid compliance whole-body controller with force tracking executes these commands while maintaining balance: an integral of the force error measured by real force/torque (F/T) sensors lets each hand track force accurately along the commanded direction and remain compliant along the others. In simulation, the controller tracks per-hand force commands of varied magnitude and direction, with little loss in whole-body motion accuracy. Across three contact-rich tasks on the robot, the force-reactive policy succeeds in 80% of rollouts, compared with 26.7% for a position-only policy trained on the same demonstrations and executed by the same controller. For more details, please visit our website: https://louis-leee.github.io/FLoRe/.