LocoTouch: Learning Dynamic Quadrupedal Transport with Tactile Sensing
作者: Changyi Lin, Yuxin Ray Song, Boda Huo, Mingyang Yu, Yikai Wang, Shiqi Liu, Yuxiang Yang, Wenhao Yu, Tingnan Zhang, Jie Tan, Yiyue Luo, Ding Zhao
分类: cs.RO
发布日期: 2025-05-29 (更新: 2025-08-30)
备注: Project page: https://linchangyi1.github.io/LocoTouch
💡 一句话要点
LocoTouch：利用触觉感知学习四足机器人动态运输
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 触觉感知 动态运输 强化学习 零样本迁移
📋 核心要点
- 四足机器人难以精确感知和控制动态物体交互，尤其是在运输无固定物体时，需要额外的固定机制。
- LocoTouch通过在高密度分布式触觉传感器和两阶段学习流程，使机器人能够感知并适应不同物体的特性。
- LocoTouch在真实世界中成功实现了零样本迁移，能够稳健地运输各种圆柱形物体，并在复杂环境中保持稳定。
📝 摘要（中文）
四足机器人已展现出在复杂地形中卓越的敏捷性和鲁棒性。然而，它们在动态物体交互方面表现欠佳，这类交互需要精确的感知和控制。为了弥补这一差距，我们提出了LocoTouch，一个为四足机器人配备触觉感知的系统，以解决该领域中一项极具挑战性的任务：长距离运输无固定圆柱形物体，这类任务通常需要定制的安装或紧固机制来维持稳定性。为了实现高效的大面积触觉感知，我们设计了一种高密度分布式触觉传感器，覆盖了机器人的整个背部。为了有效地利用触觉反馈进行机器人控制，我们开发了一个具有高保真触觉信号的仿真环境，并使用两阶段学习流程训练触觉感知的运输策略。此外，我们设计了一种新颖的奖励函数，以促进稳健、对称和频率自适应的运动步态。经过在仿真环境中的训练，LocoTouch实现了零样本迁移到真实世界，可靠地运输各种尺寸、重量和表面特性的无固定圆柱形物体。此外，它在长距离、不平坦地形和严重扰动下仍保持稳健。
🔬 方法详解
问题定义：现有四足机器人在动态物体交互，特别是长距离运输无固定圆柱形物体时，面临着稳定性和适应性的挑战。传统的解决方案依赖于定制的安装或紧固机制，缺乏通用性和灵活性。现有的控制方法难以处理物体尺寸、重量和表面特性的变化，以及外部扰动和不平坦地形的影响。
核心思路：LocoTouch的核心思路是利用触觉感知来增强机器人对物体和环境的理解，从而实现更稳健和自适应的运输策略。通过在高密度分布式触觉传感器获取物体与机器人背部的接触信息，并结合强化学习算法，训练机器人学习如何调整步态和姿态，以保持物体的稳定。这种方法无需预先对物体进行建模或进行额外的固定，提高了机器人的通用性和适应性。
技术框架：LocoTouch的整体框架包括三个主要部分：1) 高密度分布式触觉传感器，覆盖机器人背部，用于实时感知物体与机器人之间的接触信息；2) 高保真触觉信号仿真环境，用于训练触觉感知的运输策略；3) 两阶段学习流程，包括预训练阶段和微调阶段，用于优化机器人的运动步态和姿态控制。预训练阶段在仿真环境中进行，微调阶段在真实世界中进行，以提高模型的泛化能力。
关键创新：LocoTouch的关键创新在于：1) 设计了一种高密度分布式触觉传感器，能够提供大面积、高分辨率的触觉信息；2) 开发了一种高保真触觉信号仿真环境，能够模拟真实世界中的触觉反馈；3) 提出了一种两阶段学习流程，能够有效地利用仿真数据和真实数据，提高模型的泛化能力；4) 设计了一种新颖的奖励函数，能够促进稳健、对称和频率自适应的运动步态。
关键设计：触觉传感器采用高密度阵列，覆盖整个机器人背部，提供丰富的接触信息。仿真环境使用物理引擎模拟机器人、物体和环境的交互，并生成逼真的触觉信号。两阶段学习流程中，预训练阶段使用强化学习算法训练机器人学习基本的运输策略，微调阶段使用监督学习算法调整机器人的运动步态和姿态控制。奖励函数包括稳定性奖励、对称性奖励和频率自适应奖励，用于优化机器人的运动性能。
🖼️ 关键图片
📊 实验亮点
LocoTouch在真实世界中实现了零样本迁移，成功地运输了各种尺寸、重量和表面特性的圆柱形物体，包括直径从5厘米到20厘米，重量从0.5公斤到5公斤的物体。实验结果表明，LocoTouch在长距离运输、不平坦地形和严重扰动下仍能保持稳健性，显著优于传统的基于视觉或力矩控制的四足机器人。
🎯 应用场景
LocoTouch技术可应用于物流、仓储、建筑、农业等领域，实现自主搬运和运输各种形状和尺寸的物体，尤其适用于处理不规则或易碎物品。该技术能够减少对人工搬运的依赖，提高工作效率和安全性，并降低运营成本。未来，LocoTouch有望与其他感知技术（如视觉、听觉）相结合，实现更智能、更灵活的机器人操作。
📄 摘要（原文）
Quadrupedal robots have demonstrated remarkable agility and robustness in traversing complex terrains. However, they struggle with dynamic object interactions, where contact must be precisely sensed and controlled. To bridge this gap, we present LocoTouch, a system that equips quadrupedal robots with tactile sensing to address a particularly challenging task in this category: long-distance transport of unsecured cylindrical objects, which typically requires custom mounting or fastening mechanisms to maintain stability. For efficient large-area tactile sensing, we design a high-density distributed tactile sensor that covers the entire back of the robot. To effectively leverage tactile feedback for robot control, we develop a simulation environment with high-fidelity tactile signals, and train tactile-aware transport policies using a two-stage learning pipeline. Furthermore, we design a novel reward function to promote robust, symmetric, and frequency-adaptive locomotion gaits. After training in simulation, LocoTouch transfers zero-shot to the real world, reliably transporting a wide range of unsecured cylindrical objects with diverse sizes, weights, and surface properties. Moreover, it remains robust over long distances, on uneven terrain, and under severe perturbations.