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。
