CEER: Compliant End-Effector and Root Control as a Unified Interface for Hierarchical Humanoid Loco-Manipulation

📄 arXiv: 2605.19981v1 📥 PDF

作者: Xinyuan Luo, Xingrui Chen, Xunjian Yin, Hongxuan Wu, Boxi Xia, Zhuoqun Chen, Jinzhou Li, Boyuan Chen, Xianyi Cheng

分类: cs.RO

发布日期: 2026-05-19

备注: Project page: https://robotproject8.github.io/ceer_page/. 9 pages, 7 figures

💡 一句话要点

提出CEER，统一末端执行器与根控制接口，实现人型机器人分层操作控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 人型机器人 运动操作 全身控制 柔顺控制 分层规划 末端执行器控制 根控制

📋 核心要点

  1. 人型机器人操作面临富接触和长时程挑战，现有方法难以兼顾稳定性和灵活性。
  2. CEER通过统一末端执行器和根控制，实现柔顺的全身控制，并兼容异构规划器。
  3. 实验表明CEER能显著降低抖动，提高操作成功率，并支持模块化技能集成。

📝 摘要（中文）

人型机器人已在运动性能方面取得了显著进展，但富接触和长时程操作仍然是一个主要瓶颈。操作本质上是富接触的，需要柔顺的全身控制来实现稳定的交互，而其多样性和长时程特性更倾向于模块化、兼容规划器的接口，而不是关节空间跟踪。我们提出了CEER，一种柔顺的末端执行器-根（EE-root）控制抽象，用于分层规划框架内的模块化人型机器人运动操作。CEER在由根运动命令和末端执行器姿态目标定义的可解释任务空间中实现感知柔顺的全身控制，并支持与异构高级规划器的即插即用集成。采用教师-学生框架将通用运动跟踪控制器提炼成仅消耗EE-root命令的低级策略。我们进一步构建了一个分层系统，通过EE-root接口集成异构规划器和任务模块，从而实现多样化的操作任务，而无需重新训练底层全身策略。在仿真和硬件上的实验表明，与基线相比，末端执行器跟踪精度为3.3厘米，抖动显著降低，在遥操作下实现了稳定的富接触操作，并在房间规模的环境中，模拟的单物体运动操作任务成功率高达70%。这些结果表明，柔顺的EE-root控制为人型机器人运动操作提供了一种实用的抽象，从而实现了多样化技能的模块化和可扩展集成。

🔬 方法详解

问题定义：现有的人型机器人操作方法，尤其是在富接触和长时程任务中，面临着稳定性和灵活性的挑战。传统的关节空间跟踪方法难以处理复杂的接触交互，而直接的全身控制方法则缺乏模块化和可扩展性，难以与高级规划器集成。因此，需要一种既能实现柔顺控制，又能方便与各种规划器对接的统一接口。

核心思路：CEER的核心思路是引入一个柔顺的末端执行器-根（EE-root）控制抽象。通过将控制目标分解为根运动命令和末端执行器姿态目标，CEER能够在可解释的任务空间中实现全身控制，并支持与异构高级规划器的即插即用集成。这种抽象允许上层规划器专注于任务逻辑，而底层控制器则负责实现具体的运动和接触交互。

技术框架：CEER的整体框架是一个分层系统。首先，高级规划器（可以是任何类型的规划器，如运动规划器、任务规划器等）生成EE-root命令序列。然后，低级控制器接收这些命令，并将其转化为具体的关节控制信号，从而驱动机器人执行相应的运动。为了训练低级控制器，论文采用了一个教师-学生框架，其中教师控制器是一个通用的运动跟踪控制器，而学生控制器则是一个轻量级的策略网络，它只消耗EE-root命令。

关键创新：CEER的关键创新在于其统一的EE-root控制接口。这种接口既能表达复杂的任务需求，又能简化底层控制器的设计。此外，通过教师-学生框架，CEER能够将复杂的运动控制知识提炼成一个易于部署和训练的低级策略。这种分层结构使得系统具有良好的模块化和可扩展性，可以方便地集成各种高级规划器和任务模块。

关键设计：在教师-学生框架中，教师控制器采用传统的全身控制方法，例如二次规划（QP）或模型预测控制（MPC）。学生控制器则是一个神经网络，其输入是EE-root命令，输出是关节力矩。损失函数包括跟踪误差、关节力矩惩罚和接触力惩罚。为了提高泛化能力，训练过程中会加入各种扰动，例如外部力、模型误差等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CEER能够实现3.3厘米的末端执行器跟踪精度，并显著降低抖动。在遥操作实验中，CEER能够实现稳定的富接触操作。在模拟的单物体运动操作任务中，CEER的成功率高达70%。这些结果表明，CEER是一种实用且有效的解决方案，能够显著提高人型机器人的操作性能。

🎯 应用场景

CEER有望应用于各种人型机器人操作任务，例如家庭服务、工业制造、医疗辅助和灾难救援。通过与高级规划器集成，CEER可以实现复杂的任务，例如物体抓取、装配、搬运等。此外，CEER的柔顺控制特性使其能够安全地与人类进行交互，从而扩展了人型机器人的应用范围。

📄 摘要（原文）

Humanoid robots have achieved impressive locomotion performance, yet contact-rich and long-horizon manipulation remains a major bottleneck. Manipulation is inherently contact-rich and demands compliant whole-body control for stable interaction, while its diversity and long-horizon nature favor modular, planner-compatible interfaces over joint-space tracking. We propose CEER, a compliant end-effector-root (EE-root) control abstraction for modular humanoid loco-manipulation within a hierarchical planning framework. CEER enables compliance-aware whole-body control in an interpretable task space defined by root motion commands and end-effector pose targets, and supports plug-and-play integration with heterogeneous high-level planners. A teacher-student framework is adopted to distill a general motion-tracking controller into a low-level policy that consumes only EE-root commands. We further construct a hierarchical system that integrates heterogeneous planners and task modules through the EE-root interface, enabling diverse manipulation tasks without retraining the underlying whole-body policy. Experiments in simulation and on hardware demonstrate 3.3 cm end-effector tracking accuracy with substantially reduced jerk compared to baselines, stable contact-rich manipulation under teleoperation, and up to 70% success in simulated single-object loco-manipulation tasks within a room-scale environment. These results indicate that compliant EE-root control provides a practical abstraction for humanoid loco-manipulation, enabling modular and scalable integration of diverse skills.