FARO：可行性感知的机器人运动优化
本文提出FARO框架，用于快速规划仿人机器人未知场景下的新型行为。该框架结合嵌套式运动动力学可行性检查、LLM引导的接触规划采样和强化学习控制器，显著提升了搜索效率，并生成可用于真实世界运动的轨迹。
在机器人学领域，如何在未知场景中快速规划新型行为仍是一项基本挑战。仿人机器人的高维、混合及欠驱动特性尤其阻碍了这一目标的实现。近期，一篇提交至arXiv的研究论文提出了FARO（可行性感知机器人运动优化）框架，旨在解决这一问题。该论文由Michal Ciebielski等人撰写，于2026年7月20日提交，arXiv编号为2607.18362。
FARO框架的核心是一个嵌套式运动动力学（kino-dynamic）模块，该模块能够在给定候选接触序列的情况下，快速进行可行性检查并生成动力学一致的轨迹。为了提高搜索效率，研究人员将这一模块与可行性引导的树搜索以及基于大语言模型（LLM）的接触规划采样策略相结合。实验表明，这种集成方法显著提升了搜索过程的质量，使得机器人能够更高效地探索复杂的行为空间。
此外，研究团队还展示，由该框架生成的轨迹可以通过强化学习（RL）控制器进行跟踪，并且这些轨迹具有足够高的质量，能够直接在真实的仿人操作场景中执行。这一成果为仿人机器人在复杂环境中的灵活运动规划提供了新的可能性，有望推动人形机器人从实验室走向实际应用。论文的补充视频可在YouTube上观看（链接：https://youtu.be/R6qCHoCormQ）。