通过同构遥操作与独立技能路由实现人形机器人组合式操作

基于摘要分析。研究针对人形机器人双臂技能组合难以逐一采集示范的问题，提出 Humanoid Semantic Mixture-of-Experts Diffusion Policy（HS-MoDP），将分别示范的手臂技能进行组合；同时开发同构外骨骼 G1Exo，用于采集全身接触操作示范。 方法核心是在共享专家池上进行独立语义路由，使双臂共享动作生成参数，同时保留各自的技能控制。语义调度器通过交替执行操作与位置调整，将学习到的策略接入已有移动控制器，以扩展有效工作空间，并支持位置变化后的技能复用。G1Exo 则直接在关节层面控制手臂构型，区别于基于末端执行器控制的 VR-IK 遥操作方式。 作者报告，在 Unitree G1 上，HS-MoDP 的技能组合表现优于对照基线；G1Exo 的接触遥操作可靠性高于末端执行器 VR-IK，其示范数据在四种策略架构中改善了接触技能学习。对于 HS-MoDP，在完整柜体操作流程评估中，将示范来源由 VR-IK 改为 G1Exo 后，成功率由 35% 提升至 65%。摘要未提供该流程的具体步骤、试验次数、基线配置及统计不确定性，实验协议、消融及统计信息尚未验证。 复现需核对技能示范的组合划分、语义路由的输入与训练方式，以及两种遥操作示范的采集条件是否可比。作者表示将在评审流程结束后开源硬件设计和源代码，不能据此视为当前已公开。该研究的主要对象是机器人操作与示范采集，材料未涉及神经信号或 EEG/BCI 验证，不宜直接外推其应用效果。