HLO-AMP分层框架实现人形搬箱操作

Jean-Pierre Sleiman等作者提出HLO-AMP分层人形移动操作框架，论文已被CoRL 2026接收。该框架把底层控制器训练为物体感知的运动先验：用重定向动捕参考做运动模仿，训练时被操作物体真实存在于场景中，从而继承类人协调并直接吸收真实接触力旋量，同时保留与命令跟踪式全身控制器相同的紧凑任务空间命令接口。上层采用无参考的高层策略，其动作通道锚定在底层训练数据的经验包络内，以把先验泛化到长时程多阶段任务并防止底层偏离分布。 作者在宇树G1上实现双臂箱子取放，称同一部署策略可泛化到不同物体质量与尺寸、初始与目标位姿，并能在搬运中物体意外掉落时反应式恢复。上述效果为作者自述，尚未见独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。