InternRobotics/OpenHomie

解決的問題

HOMIE 解決了在複雜的洛科-操作任務中精確且高效控制人形機器人全身運動的難題。它消除了對昂貴動作捕捉（MoCap）資料和複雜逆運動學（IK）計算的依賴，這些通常會減慢遠端操作並限制機器人的作業空間。

工作原理

此專案結合了強化學習（RL）訓練框架與低成本硬體駕駛艙：

• RL 框架（HomieRL）： 採用基於強化學習的方法，結合上半身姿勢課程、高度追蹤獎勵與對稱性利用，訓練機器人於上半身動態移動時實現行走、下蹲與保持平衡。
• 硬體駕駛艙（HomieHardware）： 一種同構外骨骼系統，包含外骨骼手臂、15自由度動作感應手套以及用於運動指令的踏板。由於硬體與機器人同構，關節位置可直接從外骨骼映射至機器人，無需逆運動學（IK）計算。
• 部署（HomieDeploy）： 提供硬體駕駛艙與機器人（已專門在 Unitree G1 上測試）之間的軟體橋接。

適用對象

從事人形機器人、遠端操作以及洛科-操作強化學習的研究人員與開發者。

主要亮點

• 同構控制： 從外骨骼到機器人的關節位置直接映射，實現更快、更精確的遠端操作。
• 無需動作捕捉： 消除對動作捕捉資料運動先驗的需求。
• 低成本： 硬體系統成本約為 0.5k 美元，遠低於專業動作捕捉系統。
• 全身敏捷性： 在上半身運動過程中保持平衡，實現穩健行走與快速下蹲至不同高度。