LeCAR-Lab/FALCON

[L4DC 2026] "FALCON: Learning Force-Adaptive Humanoid Loco-Manipulation"

FALCON是一个面向人形机器人的力自适应全身运动与操作学习框架，由LeCAR Lab团队开发，相关论文已被L4DC 2026会议接收为Oral报告。该项目旨在解决人形机器人在复杂物理交互场景中，如何同时协调下肢行走与上肢操作这一核心难题。传统方法往往将运动与操作分离处理，导致机器人面对外力干扰或需要同时搬运、推拉物体时表现僵硬、适应性差。FALCON的核心创新在于提出了一种双智能体强化学习架构，将全身控制解耦为下肢运动与上肢操作两个协同学习的策略网络，并通过力自适应机制让机器人能够根据实时接触力动态调整姿态与动作。项目基于NVIDIA IsaacGym物理仿真平台进行训练，支持Unitree G1和Booster T1两款29自由度人形机器人。技术栈方面，采用Python开发，依赖PyTorch进行策略网络训练，并集成了域随机化、多智能体PPO等算法来提升策略的鲁棒性。FALCON提供了完整的训练、评估、仿真到仿真（sim2sim）以及仿真到实物（sim2real）的部署代码，支持通过unitree_sdk2_python和booster_robotics_sdk直接控制真实机器人。该框架适用于需要人形机器人在非结构化环境中执行搬运、推拉、抗扰动等任务，尤其适合对力交互有高要求的场景，如家庭服务、工业巡检、灾难救援等。项目已开源全部代码，并提供了详细的安装与使用文档。