东京大学：装1.5公斤机械臂的小型四足机器人复杂地形抓取40次成功32次
据东京大学预印本，一台加装1.5公斤定制机械臂的宇树Go1机器狗用同一个学习型控制器协调腿和臂，走过沙袋地面、侧向下楼梯后按语言指令抓取物体，40次真实试验成功32次（80%）。仿真中该控制器在4096次手臂运动中仅失败2次，传统分层控制器失败率最高达13.77%。
能否用一个强化学习策略同时控制负载受限的小型四足机器人的腿和机械臂，使其在斜坡、楼梯和松软地面上机身俯仰、横滚时，夹爪仍保持与任务一致的姿态？
在小型四足平台上，机械臂占去大部分负载余量，并成为运动中的负载。地形冲击经机身传到夹爪，而有利于伸臂的姿态又可能破坏行走所需的平衡。把行走和操作分开控制的方案，地面越复杂表现越差。
现有系统采用全身优化、在步态控制器上叠加逆运动学手臂跟踪的分层结构，或学习型全身策略，多数只在平地、坡道或温和户外场景演示。论文对比表中平台重量约14.8公斤至约90公斤，只有19.9公斤的MLM报告了在楼梯或障碍通过过程中进行操作。
作者用宇树Go1加一条臂展超过60厘米、重1.5公斤的轻量臂搭建了13.5公斤的系统，并在Isaac Lab中训练带任务优先级的单一策略：机身姿态与接触优先，其次是行走，再次是操作。夹爪朝向以重力为参考，位置目标在机身坐标系中表达，这种混合表示让机身运动时目标仍可达。训练中随机加入最多0.5公斤负载和外力扰动。实机上策略在英伟达Jetson Xavier NX上以49.9赫兹运行，推理1.53毫秒，传感器到指令延迟2.76毫秒；目标物体由Grounding DINO和深度相机根据文字指令定位。
仿真中让手臂以每秒0.4米和0.8米、负载0.2公斤和0.5公斤反复横向运动，分层控制器（步态控制加逆运动学手臂）在慢速轻载时失败率8.50%，快速重载时13.77%，夹爪均方根误差从0.070米增至0.108米；全身策略在4096次中失败2次（0.05%，MEKAWIRE计算），均方根误差0.057至0.069米。在各级地形难度下，其机身误差、夹爪误差和执行器过载暴露也都低于分层方案。实机在30度斜坡和10厘米台阶上通过时夹爪基本保持水平；语言引导抓取在沙袋加海绵地面上20次成功17次，侧向下楼梯20次成功15次，合计40次成功32次。8次失败中，2次摔倒，4次透明物体定位错误，1次撞到桌边，1次抓取后滑落。
这是一篇预印本。实机上与内置MPC控制器的比较只是定性的，80%抓取成功率没有同一路线的基线对照。一半失败源于透明物体感知，控制器本身无法解决。平台是较早一代的Go1加定制臂，训练未覆盖0.5公斤以上负载，仿真中3公斤机械臂会增加执行器过载，换用商用机械臂结果可能不同。
巡检和巡逻机器人正从“会走的摄像头”转向能开门、搬运、抓取的足式机器人。结果支持在小型四足上装轻便低成本机械臂，而不是在大型四足上装重臂，这与宇树、国内云深处等四足厂商以及小型机械臂供应商的产品路线相关。电力、化工巡检是国内最可能的落地场景，预计在困难物体感知改进后两到三年进入商用。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。