在機器人學領域，移動抓取（Mobile Manipulation）是實現機器人在復雜環境中自主操作的關鍵技術。然而，當前主流的方法往往將移動底盤和機械臂的規劃分開處理，這種割裂的方式導致機器人無法高效協調運動與抓取，進而影響任務成功率和執行效率。針對這一問題，我們在ICRA 2025上提出了一種全新的“EHC-MM”（Embodied Holistic Control for Mobile Manipulation）框架，它通過sig(ω)控制函數，系統性地表達了不同功能部分（如移動底座、機械臂和攝像頭）在執行任務時的動態側重關系，使機器人能夠根據當前狀態智能調整運動與操控的優先級，大幅提升移動抓取任務的成功率與效率。

背景：移動抓取的挑戰

移動抓取涉及底盤（提供移動能力）、機械臂（執行精細操作）和攝像頭（提供視覺感知）等多個部分的協同工作。傳統方法通常采用“先移動，再操作”的兩階段策略，然而這種方法存在如下缺陷：

l規劃割裂，效率低下：底盤和機械臂的運動規劃是分開的，這容易導致整體運動軌跡不連貫，甚至出現規劃失敗的情況。

l缺乏全身協調控制：現有方法大多將機器人視為單一實體，而忽視了底盤、機械臂等部件在精度和運動能力上的本質差異。

l感知與運動協同不足：傳統方法多為開環控制，感知和執行是割裂的，導致機器人在抓取過程中容易丟失目標物體。

針對上述問題，我們提出EHC-MM框架，引入sig(ω)函數，使機器人能夠在運動和操作之間動態調整側重，并結合基于監視-位置的伺服控制（MPBS），確保在執行任務時始終保持對目標的有效跟蹤。

EHC-MM的核心創新點

1.采用sig(ω)函數實現動態運動-操控平衡

在移動抓取任務中，機器人在遠離目標時，應優先使用移動底盤進行快速靠近，而在接近目標后，應優先使用機械臂進行精準操作。為了實現這一原則，我們提出了一種新的數學建模方式，將DMCG（遠距離移動，近距離抓取）原則（Distant Mobility, Close Grasping）形式化為二次規劃（QP）問題，并設計了sig(ω)函數來平衡機器人在不同階段的策略。

2.結合MPBS方法，實現感知-運動的高效協同

傳統的基于位置的伺服控制（PBS）方法在執行抓取任務時容易丟失目標，例如在側向或向下抓取時，攝像頭可能會因機械臂的動作而偏離目標，影響操作的成功率。為了解決這一問題，我們提出基于監視-位置的伺服控制（MPBS），在控制過程中引入目標跟蹤約束，確保機器人在抓取過程中不會失去對目標的視覺感知。

實驗驗證：顯著提升抓取成功率與效率

1.隨機目標抓取實驗（模擬仿真）

我們首先在模擬環境中驗證了EHC-MM的有效性，讓機器人隨機抓取50個不同位置的目標，并與現有方法進行對比。實驗結果表明，EHC-MM能夠在更短的時間內完成抓取任務，并且失敗次數顯著減少。

2.連續目標抓取實驗（真實環境）

在真實機器人實驗中，我們讓機器人在固定起點依次抓取三個不同位置的物體，并測量任務時間和成功率。實驗結果顯示，EHC-MM不僅減少了抓取時間，更達到了95.6%的成功率，顯著優于現有方法。

3.不同姿態目標抓取實驗

我們還測試了機器人對正前方、向下、側向目標的抓取情況，驗證MPBS對目標追蹤能力的提升。實驗表明，MPBS能夠讓機器人在各種姿態下保持對目標的持續跟蹤，提高抓取穩定性。

結論：

EHC-MM通過sig(ω)函數的引入，使機器人能夠在運動和操作之間實現動態平衡，并結合MPBS提升了目標跟蹤能力，最終使移動抓取任務的成功率和效率得到了大幅提升。未來，我們希望進一步拓展EHC-MM的應用場景，使其能夠適應更復雜的動態環境。同時，我們計劃將該sig(ω)函數擴展到其他具有多種不同功能模塊的機器人上。