论文导读
亚马逊、密歇根大学、加州理工学院等机构提出HULK，训练人形机器人在搬运重物时协调手臂、躯干和双腿。宇树G1实机完成12.25公斤负载搬运，还展示推拉载货车、搬小冰箱和罐体。方法把负载对身体平衡的影响放进训练，让机器人在持续受力时调整全身支撑。这套控制方法协调全身受力，让搬运时的手部动作与平衡同时得到调整。实拍画面记录了机器人抱物行走和向载货车施力的具体过程。
抱住重物，身体的受力也变了
人形机器人手臂伸出去抱物体，物体重量及受力位置会改变身体重心和力矩。双腿维持原来的步态，手臂单独追踪动作，可能无法抵消上半身承受的负载。
HULK在训练中先预测带负载的身体运动，为学习算法提供可行的运动参考。训练目标同时关注重心、身体倾斜、脚部支撑和手臂位置，让搬运过程中的几部分动作相互配合。
研究团队分别训练两类教师策略。一类在手腕持续受力时跟随手臂动作，另一类在物体已经被抱住后进行行走。最后再把两类策略的能力汇入一个学生策略，用于实际控制。
图：两类教师策略与学生策略的训练结构（Figure 2）。
训练时关注失衡边界，部署靠学到的策略
为了让负载下的机器人更容易恢复平衡，作者给手腕受力教师增加了基于身体运动状态的平衡约束。它在训练中引导策略，避免只追求原定动作而忽略身体已经接近失衡。
仿真中，每条手臂加载10公斤时，加入这项约束的策略在所比较控制器中得到最低的前向和侧向速度跟踪误差。相对仅使用预测控制引导的学习，汇总平衡指标下降35.7%，模拟躯干推力测试承受到130牛顿。
这里的10公斤每臂和130牛顿来自仿真教师测试。实际部署的学生策略没有额外的实时安全过滤器，训练约束不能直接变成现场安全保证。实验显示的平衡改善，仍要按相应测试条件解读。
图：受力机器人与训练时平衡约束示意（Figure 4）。
实机搬运12.25公斤，推拉车达到300牛顿
实机表格把任务成功次数与最大测试负载分开记录。HULK负载搬运4次成功4次，最大测试重量12.25公斤；小冰箱搬运4次成功4次，最大7公斤；罐体搬运4次成功4次，最大6.1公斤。
推拉车任务为6次成功5次，表中最大值300的单位是牛顿，表示推拉作用力，不能换成300公斤载重。论文中的实拍画面展示的是G1抱住物体行走，以及对装有纸箱的车施力。
搬运试次较少，也没有覆盖任意物体形状和抓取方式。现有任务从已经建立的抓握开始，抓起物体、换手和快速改变接触位置不属于这批结果所证明的能力。
图：抱物行走与推拉载货车的四种实机任务（Figure 5）。
未来应用：下一步，把接触变化也纳入全身操作
论文观察到，受力位置从手腕变化到前臂时，部分补偿行为仍能迁移。作用点影响物体给身体带来的转动趋势，把几何位置与外力一起考虑，能解释为什么同样重量放在不同位置，需要不同的支撑动作。
作者提出，后续需要更丰富的动力学模型和接触转换训练。现有身体预测还没有完整检查每个关节能否执行某个计划，稳定的整体重心轨迹也不代表所有关节都能做到。
要扩展到连续搬运流程，可以分别测试建立抓握、举起、行走、放下及换接触点。HULK当前的实机结果已给出持续负载下行走和施力的具体起点，后续测试可以沿这些阶段记录成功率和恢复行为。
参考资料
https://arxiv.org/abs/2610.08970
