PolyMorphWBC koordiniert Vierbeiner und unterschiedliche Roboterarme über Endeffektortrajektorien
Der Preprint stellt PolyMorphWBC vor, eine Steuerung für Vierbeiner mit Roboterarm, deren einzige Bewegungsbefehle auf Aufgabenebene Endeffektortrajektorien sind. Mit zuvor nicht verwendeten Armformen und Trajektorien erreichte sie in IsaacLab eine Abschlussrate von 93,95 % bei 2,30 cm Positionsfehler und 4,81° Orientierungsfehler. Das könnte die Anbindung von Manipulationsstrategien und die Wiederverwendung einer Steuerung mit unterschiedlichen Armen erleichtern.
Kann eine gemeinsame Steuerungshierarchie Endeffektortrajektorien über unterschiedliche montierte Armformen hinweg in koordinierte Arm- und Basisbewegungen umsetzen und dabei die anfängliche Reichweite bei feststehender Basis überschreiten?
Eine Endeffektortrajektorie legt nicht fest, wann und wie sich die Basis bewegen soll. Ein später Bewegungsbeginn kann kommende Ziele unerreichbar machen, unnötige Bewegung dagegen die Nachführung verschlechtern. Armgeometrie, Massenverteilung und bewegungsbedingte Störungen verändern die erforderliche Reaktion.
Modellbasierte Ansätze wie ALMA und einheitliche MPC koordinieren Fortbewegung und Manipulation durch Optimierung. Zu den lernbasierten Verfahren gehören DeepWBC, VBC und RoboDuet. Manche Schnittstellen benötigen zusätzliche Basisbefehle. UMI-on-Legs und MLM verarbeiten Endeffektortrajektorien, wurden jedoch für feste montierte Armformen entwickelt.
Ein gemeinsamer Koordinator berücksichtigt 7 Endeffektor-Zielposen über 1 s und bestimmt Basisgeschwindigkeit, Gierrate, Nickwinkel und Höhe. Armspezifische inverse Kinematik verfolgt das aktuelle Ziel, eine eingefrorene Fortbewegungsstrategie steuert die Beine. Ein URDF-basierter Morphologieencoder wird mit Kinematik und der Vorhersage residualer Kräfte und Momente vortrainiert. Online geschätzte residuale Kräfte und Momente sowie die jüngste Reaktionshistorie ergänzen die statischen Armmerkmale. Das gestufte PPO-Training nutzt 1024 Trainingsarme, 128 Validierungsarme und 100k Trainingstrajektorien aus vier 6-DoF-Armfamilien. Für das reale Greifen und Ablegen wurde π₀ mit 100 Demonstrationen nachtrainiert; es liefert Endeffektortrajektorien und Greiferbefehle.
IsaacLab: 93,95 % Abschlussrate, 2,30 cm mittlerer Positionsfehler und 4,81° mittlerer Orientierungsfehler auf zurückgehaltenen Armen und Trajektorien. Bei Trajektorien mit Zielen x>1 m im anfänglichen Basisrahmen: 94,83 %, 1,94 cm und 3,86°; bei x<0 m: 91,56 %, 2,41 cm und 4,68°. Fehlgeschlagene Episoden gehen in die Fehlermittelwerte ein. Die zurückgehaltenen Bestände umfassen 128 Arme und 10k Trajektorien; die Gesamtzahl ausgeführter Evaluationsepisoden wird nicht berichtet. Auf vier Go2-ARX5-Trajektorien in MuJoCo ohne erneutes Training lagen die Fehler bei 1,38 bis 2,04 cm und 2,01° bis 2,38°. Der offizielle Random-Trajectory-Checkpoint von UMI-on-Legs ohne aufgabenspezifisches Nachtraining erreichte 4,77 bis 7,31 cm und 22,72° bis 76,57°. Bei horizontal base orbit waren es 2,04 cm und 2,38° gegenüber 7,31 cm und 76,57°. Die Abschlussrate des vollständigen Modells abzüglich der Variante ohne Morphologiekonditionierung betrug für CW +9,90 Prozentpunkte, OW +2,59, SW +0,55 und PA -0,48. Reale Go2-ARX5-Demonstrationen zeigten Teleoperation und sprachgesteuertes Greifen und Ablegen jenseits der anfänglichen Reichweite, ohne Basisbefehle auf Aufgabenebene.
Vorausgesetzt werden bekannte Armmodelle, glatte langsame Endeffektortrajektorien und eine gemeinsame Go2-Basis. Die Untersuchung verschiedener Arme erfolgt in Simulation, die Hardwaredemonstrationen verwenden eine Armkonfiguration. Empirische Betriebsgrenzen für den Einsatz garantieren keine Ganzkörper-Machbarkeit. Kontaktreiche Manipulation bleibt zukünftige Arbeit. Hardwareversuchszahlen, Erfolgsraten, Trainingskosten und Codeverfügbarkeit: Im Paper nicht berichtet. Die reale π₀-Inferenz lief auf einer externen RTX 5090-Workstation mit kabelgebundener Ethernet-Verbindung.
Entwickler vierbeiniger mobiler Manipulatoren und Teams zur Integration von VLA-Strategien könnten die Schnittstelle jetzt für Forschungsprototypen einsetzen. Eine Produktanwendung erfordert Prüfungen mit dem vorgesehenen Arm, der Basis und den Einsatzbedingungen, quantifizierte Hardwarezuverlässigkeit sowie Unterstützung der benötigten Kontaktinteraktionen. Ein Zeitplan für den kommerziellen Einsatz: Im Paper nicht berichtet.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.