在机器人学领域，移动抓取（Mobile Manipulation）是实现机器人在复杂环境中自主操作的关键技术。然而，当前主流的方法往往将移动底盘和机械臂的规划分开处理，这种割裂的方式导致机器人无法高效协调运动与抓取，进而影响任务成功率和执行效率。针对这一问题，我们在ICRA 2025上提出了一种全新的“EHC-MM”（Embodied Holistic Control for Mobile Manipulation）框架，它通过sig(ω)控制函数，系统性地表达了不同功能部分（如移动底座、机械臂和摄像头）在执行任务时的动态侧重关系，使机器人能够根据当前状态智能调整运动与操控的优先级，大幅提升移动抓取任务的成功率与效率。
背景：移动抓取的挑战
移动抓取涉及底盘（提供移动能力）、机械臂（执行精细操作）和摄像头（提供视觉感知）等多个部分的协同工作。传统方法通常采用“先移动，再操作”的两阶段策略，然而这种方法存在如下缺陷：
l 规划割裂，效率低下：底盘和机械臂的运动规划是分开的，这容易导致整体运动轨迹不连贯，甚至出现规划失败的情况。
l 缺乏全身协调控制：现有方法大多将机器人视为单一实体，而忽视了底盘、机械臂等部件在精度和运动能力上的本质差异。
l 感知与运动协同不足：传统方法多为开环控制，感知和执行是割裂的，导致机器人在抓取过程中容易丢失目标物体。
针对上述问题，我们提出EHC-MM框架，引入sig(ω)函数，使机器人能够在运动和操作之间动态调整侧重，并结合基于监视–位置的伺服控制（MPBS），确保在执行任务时始终保持对目标的有效跟踪。
EHC-MM的核心创新点
1. 采用sig(ω)函数实现动态运动–操控平衡
在移动抓取任务中，机器人在远离目标时，应优先使用移动底盘进行快速靠近，而在接近目标后，应优先使用机械臂进行精准操作。为了实现这一原则，我们提出了一种新的数学建模方式，将DMCG（远距离移动，近距离抓取）原则（Distant Mobility, Close Grasping）形式化为二次规划（QP）问题，并设计了sig(ω)函数来平衡机器人在不同阶段的策略。
2. 结合MPBS方法，实现感知–运动的高效协同
传统的基于位置的伺服控制（PBS）方法在执行抓取任务时容易丢失目标，例如在侧向或向下抓取时，摄像头可能会因机械臂的动作而偏离目标，影响操作的成功率。为了解决这一问题，我们提出基于监视–位置的伺服控制（MPBS），在控制过程中引入目标跟踪约束，确保机器人在抓取过程中不会失去对目标的视觉感知。
实验验证：显著提升抓取成功率与效率
1. 随机目标抓取实验（模拟仿真）
我们首先在模拟环境中验证了EHC-MM的有效性，让机器人随机抓取50个不同位置的目标，并与现有方法进行对比。实验结果表明，EHC-MM能够在更短的时间内完成抓取任务，并且失败次数显著减少。
2. 连续目标抓取实验（真实环境）
在真实机器人实验中，我们让机器人在固定起点依次抓取三个不同位置的物体，并测量任务时间和成功率。实验结果显示，EHC-MM不仅减少了抓取时间，更达到了95.6%的成功率，显著优于现有方法。
3. 不同姿态目标抓取实验
我们还测试了机器人对正前方、向下、侧向目标的抓取情况，验证MPBS对目标追踪能力的提升。实验表明，MPBS能够让机器人在各种姿态下保持对目标的持续跟踪，提高抓取稳定性。
结论：
EHC-MM通过sig(ω)函数的引入，使机器人能够在运动和操作之间实现动态平衡，并结合MPBS提升了目标跟踪能力，最终使移动抓取任务的成功率和效率得到了大幅提升。未来，我们希望进一步拓展EHC-MM的应用场景，使其能够适应更复杂的动态环境。同时，我们计划将该sig(ω)函数扩展到其他具有多种不同功能模块的机器人上。
（文：机器人大讲堂）