Precise SE(3) End-Effector Tracking in Whole-Body Humanoid Control

📄 arXiv: 2610.09479v1 📥 PDF

作者: Joohwan Seo, Xiaofeng Guo, Jinkun Cao, Roberto Horowitz, Rocky Duan, Guanya Shi, Koushil Sreenath

分类: cs.RO, eess.SY

发布日期: 2026-10-07

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出ResGAC以解决人形机器人精确末端执行器跟踪问题

🎯 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)

关键词: 人形机器人 末端执行器跟踪 几何顺应控制 残差强化学习 动态补偿 运动协调 机器人控制

📋 核心要点

  1. 现有方法在整个人形机器人运动中难以实现精确的末端执行器跟踪，受到多种动态因素的影响。
  2. 本文提出的ResGAC控制器结合了几何顺应控制和残差强化学习，以应对未建模动态和运动协调问题。
  3. 实验结果表明，ResGAC在静态跟踪任务中表现优异，成功率达到90%，显著优于SONIC的50%。

📝 摘要（中文）

在整个人形机器人运动中，精确的末端执行器跟踪面临浮动基座振荡、重力、动态耦合和运动引起的干扰等挑战。本文提出了一种名为ResGAC的整个人形机器人控制器，结合了几何顺应控制（GAC）与残差强化学习（RL）。GAC提供结构化的SE任务空间反馈，并生成名义臂关节位置目标，而残差RL则补偿未建模的动态，并在共享的关节位置动作空间中协调运动和平衡。通过左不变几何公式，GAC法则可以在不同的操作参考框架中使用，从而减少运动过程中参考引起的末端执行器运动。ResGAC在真实的Unitree G1人形机器人上进行了验证，结果显示其在四个静态末端执行器跟踪基准测试中均优于代表性基线SONIC，取得了更低的平移和旋转误差。

🔬 方法详解

问题定义：本文旨在解决整个人形机器人在运动过程中末端执行器的精确跟踪问题。现有方法面临浮动基座振荡、重力影响及动态耦合等挑战，导致跟踪精度不足。

核心思路：ResGAC控制器通过结合几何顺应控制（GAC）与残差强化学习（RL），提供结构化的任务空间反馈，并有效补偿未建模的动态，确保末端执行器的精确跟踪。

技术框架：ResGAC的整体架构包括GAC模块用于生成关节位置目标，和RL模块用于动态补偿与运动协调。左不变几何公式的应用使得GAC法则能够在不同的操作参考框架中一致使用。

关键创新：最重要的创新在于将几何顺应控制与残差强化学习相结合，使得控制器能够在动态环境中保持高精度的末端执行器跟踪，并减少运动过程中参考引起的末端执行器运动。

关键设计：在设计中，GAC模块生成的关节位置目标通过残差RL进行动态调整，确保在复杂运动中保持平衡与协调。具体的损失函数和网络结构细节在实验中进行了优化，以提高跟踪精度。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，ResGAC在四个静态末端执行器跟踪基准测试中均优于SONIC，取得了更低的平移和旋转误差。此外，在站立的孔对接任务中，ResGAC的成功率达到90%，而SONIC仅为50%，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括人形机器人在复杂环境中的操作，如服务机器人、救援任务和人机协作等。通过提高末端执行器的跟踪精度，ResGAC能够显著提升机器人在动态环境中的适应能力和工作效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Precise end-effector tracking during humanoid whole-body motion is challenging due to floating-base oscillations, gravity, dynamic coupling, and locomotion-induced disturbances. We propose ResGAC, a whole-body humanoid controller for precise end-effector pose tracking that combines geometric admittance control (GAC) with residual reinforcement learning. GAC provides structured $\SE$ task-space feedback and generates nominal arm joint-position targets, while residual RL compensates for unmodeled dynamics and coordinates locomotion and balance in the shared joint-position action space. The left-invariant geometric formulation allows the same GAC law to be used across manipulation reference frames. This enables the use of a ground-attached heading frame that preserves planar locomotion while removing pelvis roll, pitch, and heave from the manipulation reference, thereby reducing reference-induced end-effector motion during locomotion. ResGAC is validated on a real Unitree G1 humanoid. Across four standing end-effector tracking benchmarks, ResGAC consistently outperforms representative baselines, including SONIC, achieving lower translational and rotational errors. Real-world experiments further demonstrate reduced propagation of pelvis motion to the desired end-effector pose using the proposed ground-attached heading frame. ResGAC achieves $90\%$ success in a standing peg-in-hole task compared with $50\%$ for SONIC, and accurate world-frame $\SE$ end-effector pose tracking during lower-body motion. Experimental videos are included in the supplementary material and are also available on the project website: https://resgac.github.io/ResGAC-website/.