摘要
解决7自由度人形手臂的运动冗余问题，以生成自然、类似人类的动作，仍然是仿生机器人技术中的一个基本挑战。本文提出了一种混合逆运动学（IK）框架，该框架学习一个与姿态相关的冗余参数，并将其集成到差分IK求解器中。具体来说，我们采用了立体投影的肩部-肘部-手腕（SEW）角度作为条件良好的几何参数化方法。这种公式化方法将算法中的奇异性转化为一个单向的半直线，该半直线可以位于典型的可达工作空间之外。为了确定自运动流形中的最佳配置，通过操作类人可穿戴外骨骼来远程操控人形手臂，收集了运动数据集。这种方法将操作者的特定姿势偏好转化为机器人的关节空间。然后训练了一个轻量级的神经网络，以学习从末端执行器姿态到这些操作者特定SEW角度的映射。通过将预测的SEW角度作为主要跟踪任务零空间中的动态次要目标，所提出的框架能够在保持末端执行器跟踪精度的同时实现自然的冗余解决。通过仿真和真实机器人实验验证了该方法的有效性。结果表明，与静态固定参数策略的平均性能相比，所提出的方法将关节配置质量指数（CQI）提高了22.5%，并降低了11.3%的能量消耗。此外，亚毫秒级的推理延迟（0.44毫秒）便于将其无缝集成到实时控制流程中。
