RoboSpan: Learning Modular Coordination Policies for High-DoF Whole-Body Mobile Manipulation with Teleoperation
作者: Keqiang Ren, Xuecheng Ye, Hanyu Liu, Zhihua Wang, Tao Jian, Yunsheng Ma, Jiayi Wen, Xinran Li, Zhigong Song
分类: cs.RO
发布日期: 2026-10-14
💡 一句话要点
提出RoboSpan以解决高自由度全身移动操控中的协调问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 高自由度操控 模块化学习 遥操作 触觉传感 动态信息交换 机器人技术 任务成功率 协调决策
📋 核心要点
- 现有的全身移动操控方法在运动异质性和长时间任务中的误差累积方面存在显著不足，导致操控效果不稳定。
- 论文提出的RoboSpan平台结合了层次化模块框架（HMF），通过功能解耦和动态信息交换来提高协调性和决策能力。
- 实验结果显示，RoboSpan在29自由度的机器人上实现了超过20%的任务成功率提升，显著改善了操控的稳定性和鲁棒性。
📝 摘要（中文）
全身移动操控面临运动异质性和长时间任务中的误差累积等挑战。现有的遥操作平台缺乏集成的灵巧触觉传感器，无法支持协调的全身决策。本文提出了RoboSpan，一个高自由度的全身遥操作平台，以及层次化模块框架（HMF）用于学习模块协调策略。HMF将29自由度的动作空间功能性解耦为精细的手部操作、臂部姿态调整和移动基座空间配置分支，并引入了具有跨模块注意力机制的协调模块化嵌入变换器（COMET），以实现动态信息交换和动作协调。基于视觉-语言模型的层次任务分解有效抑制了时间误差传播，而全掌2D触觉表示则编码了分布式接触信号以增强跨模块的触觉能力。实验表明，该方法在多种长时间全身任务中成功率比主流基线提高了20%以上，显著提升了接触丰富操控的稳定性和鲁棒性。
🔬 方法详解
问题定义：本论文旨在解决高自由度全身移动操控中的运动异质性和长时间任务中的误差累积问题。现有方法在协调性和决策支持方面存在不足，尤其是在缺乏集成触觉传感器的情况下。
核心思路：论文提出的RoboSpan平台通过层次化模块框架（HMF）将复杂的动作空间解耦，允许各个模块独立学习和协调，从而提高整体操控性能。
技术框架：RoboSpan的整体架构包括三个主要模块：精细手部操作、臂部姿态调整和移动基座空间配置。通过引入协调模块化嵌入变换器（COMET），实现模块间的动态信息交换和协调。
关键创新：最重要的创新在于引入了具有跨模块注意力机制的COMET，能够有效地进行信息共享和动作协调，显著提升了操控的灵活性和准确性。
关键设计：在设计中，使用了全掌2D触觉表示来编码接触信号，并结合视觉-语言模型进行层次任务分解，抑制了时间误差的传播，确保了各模块间的有效协作。
🖼️ 关键图片
📊 实验亮点
实验结果表明，RoboSpan在29自由度的机器人上实现了超过20%的任务成功率提升，相较于主流基线，显著提高了在接触丰富操控中的稳定性和鲁棒性，展示了其在长时间任务中的优越性能。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在服务机器人、工业自动化和医疗辅助等领域。通过提升机器人在复杂环境中的操控能力，RoboSpan能够实现更高效的任务执行，未来可能推动智能机器人在日常生活中的普及。
📄 摘要（原文）
Whole-body mobile manipulation suffers from two fundamental challenges: inherent motion heterogeneity across locomotion, arm, and hand modules, and progressive error accumulation over long-horizon multi-stage tasks. Existing teleoperation platforms also lack integrated dexterous tactile sensing to support coordinated whole-body decision-making. This paper presents RoboSpan, a high-DoF whole-body teleoperation and demonstration platform, and the Hierarchical Modular Framework (HMF) for learning modular coordination policies. HMF functionally decouples the 29-DoF action space into fine hand manipulation, arm pose adjustment, and mobile-base spatial configuration branches, and introduces the Coordinated Modular Embodied Transformer (COMET) with inter-modular cross-attention to enable dynamic information exchange and action coordination. Vision-language model driven hierarchical task decomposition structurally suppresses temporal error propagation, while a full-palm 2D tactile representation encodes distributed contact signals for cross-module tactile empowerment. Experiments on a physical 29-DoF robot demonstrate that the proposed method achieves over 20\% higher task success rate than mainstream baselines across a range of long-horizon whole-body tasks, markedly improving stability and robustness in contact-rich manipulation.