发表机构
Tsinghua University（清华大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究提出一种基于本体感觉历史的共享三维力估计方法，联合训练估计器与运动策略，同时支持负载适应和牵引引导，显著提升速度跟踪、方向误差及生存率，并在Unitree Go1上验证了超限负载和牵引功能。
AI 中文摘要
在运动过程中必须适应负载力，而牵引力可以指定期望的运动。我们研究是否可以从持续加载下的本体感觉历史中推断出的共享三维力估计（单位：牛顿）能够同时支持这两项任务。通过监督的力和速度输出以及学习到的潜在上下文，联合训练了一个估计器和运动策略。估计的力调节运动，并通过解析映射额外生成平面速度和偏航率命令以进行牵引引导。在持续力的模拟扫描中，分力均方根误差的时间均值范围为1.44至2.83牛顿。与域随机化基线相比，该框架在速度跟踪和基座方向误差评分上分别降低了21.6%和46.5%，并在单独的持续力测试中将平均生存率从68.29%提高到94.60%。Unitree Go1实验展示了静态垂直和水平力估计、携带8.5公斤负载（其重量超过70牛顿的训练力限制）的运动，以及使用相同力估计接口的牵引引导。
英文摘要
Payload forces must be accommodated during locomotion, while leash forces can specify desired motion. We investigate whether a shared three-dimensional force estimate in newtons, inferred from proprioceptive history under sustained loading, can support both tasks. An estimator and locomotion policy are jointly trained with supervised force and velocity outputs and learned latent context. The estimated force conditions locomotion and additionally generates planar-velocity and yaw-rate commands for leash guidance through an analytical map. In sustained-force simulation sweeps, temporal means of componentwise force root mean square error range from 1.44 to 2.83\,N. Compared with a domain-randomized baseline, the framework reduces velocity-tracking and base-orientation error scores by 21.6\% and 46.5\%, respectively, and increases mean survival from 68.29\% to 94.60\% in separate sustained-force tests. Unitree Go1 experiments demonstrate stationary vertical and horizontal force estimation, locomotion with an 8.5\,kg payload whose weight exceeds the 70\,N training force limit, and leash guidance using the same force-estimation interface.
Comments8 pages, 10 figures
