HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control

📄 arXiv: 2602.03205v1 📥 PDF

作者: Jinrui Han, Dewei Wang, Chenyun Zhang, Xinzhe Liu, Ping Luo, Chenjia Bai, Xuelong Li

分类: cs.RO

发布日期: 2026-02-03

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出HUSKY框架，实现类人机器人在滑板上进行物理感知全身控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱五：交互与反应 (Interaction & Reaction) 支柱八：物理动画 (Physics-based Animation)

关键词: 类人机器人 全身控制 滑板运动 物理感知 对抗运动先验

📋 核心要点

  1. 现有类人全身控制框架难以处理高动态和复杂交互任务，尤其是在欠驱动和非完整约束的场景下。
  2. HUSKY框架通过建模类人-滑板耦合关系，并结合对抗运动先验和物理引导的控制策略，实现了稳定滑板运动。
  3. 在Unitree G1平台上的实验表明，HUSKY框架能够使类人机器人在真实场景中进行稳定和敏捷的滑板操控。

📝 摘要（中文）

当前类人全身控制框架主要依赖于静态环境假设，难以应对高动态和复杂交互任务。本文针对类人滑板这一极具挑战性的任务，提出了HUSKY框架，该任务需要在欠驱动的轮式平台上进行稳定的动态操控。该集成系统受非完整约束控制，并涉及紧耦合的人-物交互。成功执行此任务需要同时掌握混合接触动力学和在动态不稳定的滑板上的鲁棒平衡控制。HUSKY集成了类人-滑板系统建模和物理感知全身控制。首先，对板倾角和转向轴角度之间的耦合关系进行建模，从而能够对系统动力学进行有原则的分析。在此基础上，HUSKY利用对抗运动先验（AMP）来学习类人的推动动作，并采用物理引导的、面向航向的策略来实现倾斜转向行为。此外，轨迹引导机制确保了推动和转向之间的平稳和稳定过渡。在Unitree G1类人平台上的实验结果表明，该框架能够在真实场景中实现滑板上的稳定和敏捷操控。

🔬 方法详解

问题定义：论文旨在解决类人机器人在滑板上进行稳定和敏捷运动的难题。现有方法通常依赖于静态环境假设，无法处理滑板运动中涉及的非完整约束、欠驱动特性以及复杂的人-物交互。因此，如何在动态不稳定的滑板上实现鲁棒的平衡控制和混合接触动力学是关键挑战。

核心思路：论文的核心思路是将类人-滑板系统进行建模，并结合学习和控制方法，实现物理感知的全身控制。通过建模板倾角和转向轴角度之间的耦合关系，可以更好地理解系统动力学。利用对抗运动先验（AMP）学习类人推动动作，并采用物理引导的航向控制策略实现倾斜转向，从而实现稳定和敏捷的滑板运动。

技术框架：HUSKY框架主要包含以下几个模块：1) 类人-滑板系统建模模块，用于建立板倾角和转向轴角度之间的关系模型；2) 基于对抗运动先验（AMP）的推动动作学习模块，用于学习类人的推动动作；3) 物理引导的航向控制模块，用于实现倾斜转向；4) 轨迹引导模块，用于平滑推动和转向之间的过渡。整体流程是先进行系统建模，然后通过学习和控制方法实现类人机器人在滑板上的运动。

关键创新：该论文的关键创新在于将类人-滑板系统进行建模，并结合学习和控制方法，实现了物理感知的全身控制。与现有方法相比，该方法能够更好地处理滑板运动中涉及的非完整约束、欠驱动特性以及复杂的人-物交互。此外，利用对抗运动先验（AMP）学习类人推动动作，并采用物理引导的航向控制策略，也提高了运动的自然性和鲁棒性。

关键设计：在系统建模方面，论文对板倾角和转向轴角度之间的耦合关系进行了详细建模，并推导了相应的动力学方程。在AMP训练中，使用了对抗损失函数来提高生成运动的真实性。在物理引导的航向控制中，设计了基于期望航向的控制策略，并根据系统状态调整控制参数。轨迹引导模块采用平滑插值方法，确保推动和转向之间的平稳过渡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，HUSKY框架能够在Unitree G1类人平台上实现稳定和敏捷的滑板操控。通过与基线方法进行对比，HUSKY框架在平衡性和运动速度方面均取得了显著提升。具体而言，HUSKY框架能够使类人机器人在滑板上稳定行驶超过10米，并且能够完成各种复杂的转向动作。项目主页提供了详细的实验视频和数据。

🎯 应用场景

该研究成果可应用于机器人运动控制、人机交互、康复训练等领域。例如，可以开发出能够进行复杂运动的机器人，用于执行危险或重复性任务。此外，该技术还可以用于开发虚拟现实游戏，提供更真实和沉浸式的体验。在康复领域，可以帮助患者恢复运动能力。

📄 摘要（原文）

While current humanoid whole-body control frameworks predominantly rely on the static environment assumptions, addressing tasks characterized by high dynamism and complex interactions presents a formidable challenge. In this paper, we address humanoid skateboarding, a highly challenging task requiring stable dynamic maneuvering on an underactuated wheeled platform. This integrated system is governed by non-holonomic constraints and tightly coupled human-object interactions. Successfully executing this task requires simultaneous mastery of hybrid contact dynamics and robust balance control on a mechanically coupled, dynamically unstable skateboard. To overcome the aforementioned challenges, we propose HUSKY, a learning-based framework that integrates humanoid-skateboard system modeling and physics-aware whole-body control. We first model the coupling relationship between board tilt and truck steering angles, enabling a principled analysis of system dynamics. Building upon this, HUSKY leverages Adversarial Motion Priors (AMP) to learn human-like pushing motions and employs a physics-guided, heading-oriented strategy for lean-to-steer behaviors. Moreover, a trajectory-guided mechanism ensures smooth and stable transitions between pushing and steering. Experimental results on the Unitree G1 humanoid platform demonstrate that our framework enables stable and agile maneuvering on skateboards in real-world scenarios. The project page is available on https://husky-humanoid.github.io/.