Learning Robot Policies for Whole-Body Mobility Assistance via Dynamic Human Motion Generation
作者: Shikun Ban, Shohei Nagai, Qingyang Song, Hanxi Wan, Eric Zhao, Thomas Wang, Zackory Erickson
分类: cs.RO
发布日期: 2026-10-13
备注: 9 pages, 8 figures, 3 tables
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出基于动态人类动作生成的机器人全身移动辅助策略
🎯 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: 机器人辅助 人机协作 动态运动生成 全身移动 策略学习 模拟到现实迁移
📋 核心要点
- 现有方法通常将人类视为静态或反应有限，未能有效捕捉移动辅助的合作特性，导致学习机器人策略的挑战。
- 论文提出了一种基于对抗运动先验的人类策略，通过模拟生成真实的人类动作，以提升机器人辅助策略的学习效果。
- 实验结果显示，所提出的机器人策略在模拟环境中成功执行坐立和搬运任务，并在少量真实数据上实现了有效的迁移。
📝 摘要（中文）
机器人辅助人类移动能够减轻护理人员的负担，尤其在坐立和搬运等体力要求高的任务中。学习这些全身辅助任务的机器人策略具有挑战性，因现实世界的数据收集成本高且安全性至关重要，因此模拟成为一种有吸引力的替代方案。然而，现有研究通常将人类视为静态或反应有限，未能捕捉到移动辅助的合作特性。本文提出了一种基于模拟的框架，用于学习全身辅助机器人策略，核心是通过对抗运动先验训练的人类策略，生成对机器人动作的真实反应。通过与人类自适应脚本控制器的交互，收集多样化的机器人演示，进而训练3D扩散策略，实现了在不依赖特权人类状态的情况下，映射分割的人类点云和机器人关节位置到全身动作。实验表明，该策略在模拟中成功执行坐立和搬运辅助，并在少量真实数据微调后实现了模拟到现实的迁移。
🔬 方法详解
问题定义：本文旨在解决机器人在全身移动辅助任务中学习有效策略的挑战，现有方法未能充分考虑人类的动态反应，导致辅助效果不佳。
核心思路：通过训练一个对抗运动先验的人类策略，生成真实的护理对象动作，以此提升机器人策略的学习质量和适应性。
技术框架：整体架构包括人类策略的训练模块、与人类自适应脚本控制器的交互模块，以及基于收集的演示数据训练3D扩散策略的模块，形成完整的学习流程。
关键创新：最重要的创新在于引入对抗运动先验，使得生成的人类动作更为真实，从而提高了机器人在动态环境中的适应能力，与传统静态模型相比具有显著优势。
关键设计：在模型设计中，采用了特定的损失函数以优化人类动作的真实感，并通过分割的人类点云和机器人关节位置进行策略映射，确保了策略的有效性和实用性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的机器人策略在模拟环境中成功执行坐立和搬运任务，且在少量真实数据微调后实现了有效的模拟到现实迁移，展示了良好的实用性和适应性。
🎯 应用场景
该研究的潜在应用领域包括老年人护理、康复治疗以及其他需要人机协作的场景。通过提高机器人在动态环境中的适应能力，能够有效减轻护理人员的工作负担，提升护理质量，具有重要的社会价值和实际影响。未来，随着技术的进一步发展，该方法有望在更多复杂的辅助任务中得到应用。
📄 摘要（原文）
Robotic assistance for human mobility could benefit care recipients and reduce caregiver burden during physically demanding tasks such as Sit-to-Stand (STS) and Lift-and-Transfer (L&T). Learning robot policies for these whole-body assistive tasks is challenging: real-world data collection for human-robot interaction is costly and safety-critical, making simulation an attractive alternative. Prior work, however, typically treats the human as static or minimally responsive and thus fails to capture the cooperative nature of mobility assistance. We present a simulation-based framework for learning whole-body assistive robot policies. At its core is a human policy trained with an adversarial motion prior that produces realistic care-recipient motion in response to the robot's actions. A human-adaptive scripted controller interacts with this policy to collect diverse robot demonstrations at scale. From these demonstrations, we train 3D diffusion policies that map segmented human point clouds and robot joint positions to whole-body actions for a mobile manipulator, without relying on privileged human state at deployment. The resulting robot policies successfully perform both STS and L&T assistance in simulation. Preliminary experiments further demonstrate sim-to-real transfer for STS after fine-tuning on a small amount of real-world data. Videos are available on our project page: https://rchi-lab.github.io/human-gen-mobility-assistance/