HMC: Learning Heterogeneous Meta-Control for Contact-Rich Loco-Manipulation

📄 arXiv: 2511.14756v1 📥 PDF

作者: Lai Wei, Xuanbin Peng, Ri-Zhao Qiu, Tianshu Huang, Xuxin Cheng, Xiaolong Wang

分类: cs.RO

发布日期: 2025-11-18

💡 一句话要点

提出异构元控制HMC框架，解决接触丰富的移动操作任务

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 移动操作 异构控制 力感知 人形机器人 混合专家 模仿学习

📋 核心要点

  1. 现有方法在处理接触或有效载荷变化时，纯位置控制器难以应对复杂交互动力学。
  2. HMC框架通过自适应融合位置、阻抗和混合力/位置控制，实现对不同控制模式的灵活切换。
  3. 在真实人形机器人实验中，HMC在复杂任务上相比基线方法取得了超过50%的性能提升。

📝 摘要（中文）

本文提出了一种用于移动操作的异构元控制（HMC）框架，旨在解决复杂真实环境中交互动力学的复杂性和可变性问题，这些问题常导致纯位置控制器在接触或有效载荷变化时表现不佳。HMC自适应地融合多种控制模式：位置控制、阻抗控制和混合力/位置控制。首先，引入了一个HMC-Controller接口，用于在扭矩空间中连续混合来自不同控制配置文件的动作，方便遥操作和策略部署。然后，为了学习鲁棒的力感知策略，提出了HMC-Policy，将不同的控制器统一到一个异构架构中。采用混合专家风格的路由，从大规模仅位置数据和细粒度的力感知演示中学习。在真实人形机器人上的实验表明，在诸如顺应性擦桌子和打开抽屉等具有挑战性的任务中，相对于基线方法，性能提升超过50%，证明了HMC的有效性。

🔬 方法详解

问题定义：论文旨在解决接触丰富的移动操作任务中，由于环境交互复杂性和有效载荷变化，传统的位置控制器难以有效控制的问题。现有方法在处理此类任务时，往往缺乏对接触力的精确控制和适应能力，导致性能下降甚至失败。

核心思路：论文的核心思路是利用异构元控制（HMC）框架，将不同的控制模式（位置控制、阻抗控制和混合力/位置控制）进行融合，并根据任务需求自适应地选择和切换不同的控制模式。通过这种方式，机器人可以更好地感知和响应环境中的接触力，从而实现更鲁棒和高效的移动操作。

技术框架：HMC框架包含两个主要组成部分：HMC-Controller和HMC-Policy。HMC-Controller是一个接口，用于在扭矩空间中连续混合来自不同控制配置文件的动作，方便遥操作和策略部署。HMC-Policy则是一个异构架构，用于学习鲁棒的力感知策略，它采用混合专家风格的路由，从大规模仅位置数据和细粒度的力感知演示中学习。整体流程是先通过HMC-Controller进行数据收集，然后利用HMC-Policy进行策略学习，最后将学习到的策略部署到真实机器人上。

关键创新：最重要的技术创新点在于异构控制器的融合和自适应选择机制。与传统的单一控制模式相比，HMC能够根据任务需求动态地调整控制策略，从而更好地适应复杂环境中的交互动力学。此外，混合专家风格的路由机制也使得HMC能够有效地利用不同来源的数据，提高策略的学习效率和泛化能力。

关键设计：HMC-Policy采用混合专家网络结构，每个专家对应一种控制模式（位置、阻抗、混合力/位置）。路由网络根据当前状态选择合适的专家组合，并输出相应的控制动作。损失函数包括模仿学习损失和正则化项，用于约束控制动作的平滑性和稳定性。具体参数设置未知。

📊 实验亮点

实验结果表明，HMC在真实人形机器人上，在顺应性擦桌子和打开抽屉等具有挑战性的任务中，相对于基线方法取得了超过50%的相对性能提升。这证明了HMC框架在处理接触丰富的移动操作任务中的有效性和优越性。具体的性能指标和基线方法未知。

🎯 应用场景

该研究成果可应用于各种需要与环境进行复杂交互的机器人任务，例如：家庭服务机器人进行物品操作、工业机器人进行精密装配、医疗机器人进行辅助手术等。通过提高机器人对接触力的感知和控制能力，可以显著提升机器人的自主性和适应性，使其能够更好地完成各种复杂任务。

📄 摘要（原文）

Learning from real-world robot demonstrations holds promise for interacting with complex real-world environments. However, the complexity and variability of interaction dynamics often cause purely positional controllers to struggle with contacts or varying payloads. To address this, we propose a Heterogeneous Meta-Control (HMC) framework for Loco-Manipulation that adaptively stitches multiple control modalities: position, impedance, and hybrid force-position. We first introduce an interface, HMC-Controller, for blending actions from different control profiles continuously in the torque space. HMC-Controller facilitates both teleoperation and policy deployment. Then, to learn a robust force-aware policy, we propose HMC-Policy to unify different controllers into a heterogeneous architecture. We adopt a mixture-of-experts style routing to learn from large-scale position-only data and fine-grained force-aware demonstrations. Experiments on a real humanoid robot show over 50% relative improvement vs. baselines on challenging tasks such as compliant table wiping and drawer opening, demonstrating the efficacy of HMC.