PAKE: Learning Whole-Body Loco-Manipulation with Partial Kinematic Embeddings
作者: Zhengmao He, Moonkyu Jung, Hyeongjun Kim, Jiseong Lee, Hui Zhang, Jemin Hwangbo, Jie Song
分类: cs.RO
发布日期: 2026-07-13
💡 一句话要点
提出PAKE框架以解决高维全身运动控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 全身运动控制 运动操控 高维动作空间 运动学归一化流 机器人技术 模仿控制 四足机器人 冗余解决方案
📋 核心要点
- 现有的运动操控方法在高精度控制和高维动作空间管理上存在不足，难以充分利用全身系统的冗余性。
- 本文提出了一种全新的控制框架，通过部分参考运动生成和低级模仿控制来解决复杂的运动操控问题。
- 在实验中，系统在24个实验中表现出4.5 cm的末端执行器位姿跟踪误差，显著优于竞争基线。
📝 摘要（中文）
近年来，运动操控展现出良好的能力，但实现高精度控制、管理高维动作空间以及充分利用全身系统的固有冗余仍然具有挑战性。本文提出了一种新颖的全身控制框架，通过将复杂的运动操控问题分解为部分参考运动生成和低级模仿控制来有效应对这些挑战。我们引入了一种新的运动学归一化流（KNF）模型，该模型在大规模运动学数据集上训练，能够生成多样且可行的部分参考运动。高层控制器被训练以导航KNF的潜在空间，利用冗余解决方案，而低层控制器则确保物理可行且准确的运动执行。实验结果表明，该方法在四足机器人上显著优于现有方法，具有良好的跟踪精度和可行工作空间覆盖。
🔬 方法详解
问题定义：本文旨在解决高维全身运动控制中的高精度控制和动作空间管理问题。现有方法在处理多自由度（DoF）系统时，难以充分利用其固有冗余，导致控制精度不足。
核心思路：论文的核心思路是将复杂的运动操控问题分解为部分参考运动生成和低级模仿控制。通过这种分解，能够更有效地管理高维动作空间，并提高控制精度。
技术框架：整体架构包括两个主要模块：首先是运动学归一化流（KNF）模型，用于生成多样的部分参考运动；其次是高层和低层控制器，前者在KNF的潜在空间中导航以利用冗余解，后者确保运动执行的物理可行性和准确性。
关键创新：最重要的技术创新在于引入了运动学归一化流（KNF）模型，该模型能够生成多样且可行的部分参考运动，显著提高了控制精度和效率。与现有方法相比，KNF模型的设计使得在高维空间中更好地探索冗余解。
关键设计：在模型训练中，采用了大规模运动学数据集，设计了适合的损失函数以确保生成运动的多样性和可行性。此外，控制器的网络结构经过精心设计，以实现高效的运动执行和跟踪。
🖼️ 关键图片
📊 实验亮点
实验结果显示，PAKE框架在24个不同的移动运动操控任务中，末端执行器位姿跟踪误差为4.5 cm和0.14 rad，线性和角速度误差分别为0.1 m/s和0.01 rad/s，显著优于现有竞争基线，展示了其卓越的性能和可靠性。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、工业自动化和救援机器人等高自由度机器人系统。通过提高全身运动操控的精度和灵活性，PAKE框架能够在多种复杂环境中执行任务，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Loco-manipulation has recently shown promising capabilities; however, achieving high-precision control, managing the high-dimensional action space induced by many degrees of freedom (DoFs), and fully exploiting the inherent redundancy of whole-body systems remain challenging. In this paper, we propose a novel whole-body control framework that effectively addresses these challenges by decomposing the complex loco-manipulation problem into partial reference motion generation and low-level imitation control. We introduce a new Kinematic Normalizing Flow (KNF) model, trained on a large-scale kinematic dataset, that generates diverse yet feasible partial reference motions. A high-level controller is then trained to navigate the KNF's latent space to exploit redundant solutions, while a low-level controller ensures physically feasible and accurate motion execution. We validate our approach on the quadrupedal robot equipped with a six-DoF robotic arm. In simulation, experimental results show that our approach significantly outperforms state-of-the-art methods in terms of tracking accuracy and feasible workspace coverage. For hardware deployment, we evaluate the system over 24 episodes across 8 different mobile loco-manipulation tasks. The system achieves end-effector pose-tracking errors of 4.5 cm and 0.14 rad, while maintaining accurate locomotion tracking with linear and angular velocity errors of 0.1 m/s and 0.01 rad/s, respectively, outperforming competitive baselines. Our method represents a practical and powerful solution for accurate and generalized whole-body loco-manipulation in high-DoF robotic systems, with promising potential for diverse downstream robotic tasks.