VLM驱动机器狗——从UMI on Legs到Helpful DoggyBot：分别把机械臂装到机器狗背上、夹爪装到机器狗嘴里
内容提要
斯坦福、哥伦比亚大学和Google DeepMind的研究者开发了UMI-on-Legs系统，将UMI机械臂安装在机器狗上。该系统结合扩散策略和强化学习，通过摄像头和执行器轨迹实现精确控制。机器人由Unitree Go2和ARX5组成，使用随机推力和控制延迟提高鲁棒性，并通过iPhone解决实时里程计问题，实现紧凑设计。
关键要点
-
斯坦福、哥伦比亚大学和Google DeepMind的研究者开发了UMI-on-Legs系统，将UMI机械臂安装在机器狗上。
-
UMI-on-Legs结合扩散策略和强化学习，通过摄像头和执行器轨迹实现精确控制。
-
机器人由Unitree Go2和ARX5组成，使用随机推力和控制延迟提高鲁棒性。
-
系统通过iPhone解决实时里程计问题，实现紧凑设计。
-
UMI-on-Legs的技术架构包括基于扩散的高级操控策略和低级全身控制器。
-
操控策略使用行为克隆和强化学习进行训练，以实现末端执行器轨迹的跟踪。
-
机器人系统由12自由度的Unitree Go2和6自由度的ARX5机械臂组成，均由Go2的电池供电。
-
实时里程计通过在机器人底座上安装iPhone来解决，具有自包含和紧凑的外形。
延伸解读
技术架构的创新
UMI-on-Legs系统的技术架构结合了扩散策略和强化学习，展现了在机器人操控领域的创新。通过将高级操控策略与低级全身控制器相结合，系统能够实现更精确的动作控制。这种设计不仅提高了机器狗的灵活性，还使其在复杂环境中的操作能力显著增强。
实时里程计的优势
该系统通过在机器人底座上安装iPhone来解决实时里程计问题，这种方法具有自包含和紧凑的特点。与传统的外部跟踪系统相比，这种设计更适合在野外环境中自主部署，降低了对额外设备的依赖，提升了机器狗的实用性和灵活性。
鲁棒性提升的策略
在训练过程中，作者通过施加随机推力和模拟控制延迟来提高机器狗的鲁棒性。这种方法有效应对了环境中的不确定性，使得机器人在实际操作中能够更好地适应各种动态变化，增强了其在复杂任务中的表现。
延伸问答
UMI-on-Legs系统的主要组成部分是什么？
UMI-on-Legs系统由基于扩散的高级操控策略和低级全身控制器组成。
UMI-on-Legs如何实现精确控制？
通过摄像头和执行器轨迹结合扩散策略和强化学习实现精确控制。
该系统使用了哪些机器人组件？
机器人系统由12自由度的Unitree Go2和6自由度的ARX5机械臂组成。
如何解决实时里程计问题？
通过在机器人底座上安装iPhone来解决实时里程计问题。
UMI-on-Legs系统的训练方法是什么？
系统使用行为克隆和强化学习进行训练，以实现末端执行器轨迹的跟踪。
该系统的鲁棒性是如何提高的？
通过使用随机推力和控制延迟来提高系统的鲁棒性。
