Franka Research 3 机械臂在动态双臂操控算法中的应用实践

在真实世界中，机器人需要应对移动的物体、与其他智能体协作完成复杂任务。然而，现有的模仿学习方法在动态环境和双臂协调场景下面临显著挑战——高质量演示数据难以获取，且传统的多流策略学习框架依赖于“任务参数严格外生”的假设，一旦机器人抓取物体后因果方向反转，策略便会失效。

针对这一问题，来自德国弗莱堡大学的研究团队提出了DynaMAC（Dynamic Multi-Agent Cooperation）框架。

该框架的核心思路是通过运动学链路检测来识别物体何时与机器人末端产生刚性连接，并动态滤除已被抓取的物体参考系，同时补充虚拟末端参考系以维持策略的有效性。这一机制使得DynaMAC能够零样本地从静态演示泛化到动态环境，无需额外收集动态场景下的演示数据。

在实验验证中，DynaMAC在动态环境和双臂操作任务上相比主流概率模型和生成式基线方法取得了超过35个百分点的性能提升，而所需的训练样本仅为对比方法的二十分之一。 

DynaMAC 将多流学习技术拓展至动态环境与双臂操控场景

论文依托RLBench搭建DynaBench动态仿真基准，再通过双FR3实体机器人复现全部实验，完成静态、动态、扰动三类场景测试。

单臂动态操控实体实验

单台FR3完成堆叠器皿、擦拭台面、开合微波炉等任务，仅使用5组静态示教数据，依靠DynaMAC实现零样本迁移至运动物体场景；对比扩散策略、MiDiGaP等基线算法，FR3搭载DynaMAC后在平滑运动、瞬移物体场景任务完成率保持高位。

双臂协同实体实验

两台 FR3 组成双臂系统，开展物品交接、协同抬托盘、收纳瓶子等任务： 

• 静态环境下，FR3运行DynaMAC 与 MiDiGaP表现接近；

• 动态扰动场景（随机偏移交接点位、外力推拉机械臂），仅DynaMAC可驱动FR3实时重新协调轨迹，其余基线算法出现轨迹偏移、任务失败问题。

人机协作拓展测试

将其中一台FR3替换为人类操作者，另一台FR3搭载DynaMAC 完成人机物品传递。依靠FR3高精度末端运动追踪，物体无遮挡时可稳定完成交接；仅在视觉深度感知误差较大时出现少量任务失败，验证FR3在开放式人机协同场景的落地潜力。

基于动态坐标系实现双臂协同。图中，左侧机械臂末端执行器位姿\(\xi_{left}\)全程引导右侧末端执行器位姿\(\xi_{right}\)，完成从抓取到物体交接的整套动作。