AMO：面向超灵巧人形机器人全身控制的自适应运动优化
AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control
AI总结：
本文提出AMO框架，融合仿真到现实强化学习与轨迹优化，通过混合数据集缓解分布偏差，在29自由度Unitree G1上实现更稳定、更大工作空间的自适应全身控制，并支持自主任务执行。
摘要：
人形机器人的灵巧性在很大程度上来源于超灵巧的全身运动，这使其能够完成需要大操作工作空间的任务，例如从地面拾取物体。然而，由于人形机器人具有高自由度（DoF）和非线性动力学特性，在真实机器人上实现这些能力仍然具有挑战性。我们提出了自适应运动优化（AMO），这是一个将仿真到现实强化学习（RL）与轨迹优化相集成的框架，用于实时、自适应的全身控制。为了缓解运动模仿强化学习中的分布偏差，我们构建了一个混合AMO数据集，并训练了一个能够对潜在的分布外（O.O.D.）命令进行鲁棒、按需适应的网络。我们在仿真中和一台29自由度Unitree G1人形机器人上验证了AMO，结果表明与强基线相比，AMO具有更优的稳定性和更大的工作空间。最后，我们展示了AMO的一致性能可通过模仿学习支持自主任务执行，凸显了该系统的通用性和鲁棒性。
英文摘要：
Humanoid robots derive much of their dexterity from hyper-dexterous whole-body movements, enabling tasks that require a large operational workspace: such as picking objects off the ground. However, achieving these capabilities on real humanoids remains challenging due to their high degrees of freedom (DoF) and nonlinear dynamics. We propose Adaptive Motion Optimization (AMO), a framework that integrates sim-to-real reinforcement learning (RL) with trajectory optimization for real-time, adaptive whole-body control. To mitigate distribution bias in motion imitation RL, we construct a hybrid AMO dataset and train a network capable of robust, on-demand adaptation to potentially O.O.D. commands. We validate AMO in simulation and on a 29-DoF Unitree G1 humanoid robot, demonstrating superior stability and an expanded workspace compared to strong baselines. Finally, we show that AMO's consistent performance supports autonomous task execution via imitation learning, underscoring the system's versatility and robustness.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
