InternRobotics/OpenHomie

解决的问题

HOMIE 解决了在复杂洛科-操作任务中精确且高效控制人形机器人全身运动的难题。它消除了对昂贵动作捕捉（MoCap）数据和复杂逆运动学（IK）计算的依赖，这些通常会减慢远程操作并限制机器人的作业空间。

工作原理

该项目结合了强化学习（RL）训练框架和低成本硬件驾驶舱：

• RL 框架（HomieRL）： 采用基于强化学习的方法，结合上半身姿态课程、高度追踪奖励和对称性利用，训练机器人在上半身动态移动的同时实现行走、下蹲和保持平衡。
• 硬件驾驶舱（HomieHardware）： 一种同构外骨骼系统，包括外骨骼手臂、15自由度动作感应手套以及用于运动指令的踏板。由于硬件与机器人同构，关节位置可直接从外骨骼映射到机器人，无需逆运动学（IK）计算。
• 部署（HomieDeploy）： 提供硬件驾驶舱与机器人（已专门在 Unitree G1 上测试）之间的软件桥梁。

适用人群

从事人形机器人、远程操作以及洛科-操作强化学习的研究人员和开发者。

主要亮点

• 同构控制： 从外骨骼到机器人的关节位置直接映射，实现更快、更精确的远程操作。
• 无需动作捕捉： 消除了对动作捕捉数据运动先验的需求。
• 低成本： 硬件系统成本约为 0.5k 美元，远低于专业动作捕捉系统。
• 全身敏捷性： 在上半身运动过程中保持平衡，实现稳健行走和快速下蹲至不同高度。