在机器人技术快速发展的今天，人机协作搬运一直是学术界和工业界关注的重点领域。传统方法通常依赖外部传感器（如摄像头、激光雷达）或遥控设备来实现机器人与人类的交互，但这些方案存在成本高、易受环境干扰、交互不自然等局限。近期，一项由中国研究团队提出的创新方法COLA（Collaborative Lifting with Adaptive roles）引起了广泛关注，它通过强化学习技术，仅依赖机器人的“本体感知”就能实现高效、自然的人机协作搬运，为人形机器人领域带来了新的技术突破。
COLA方法的核心在于解决人形机器人在协作搬运中的复杂动力学问题。相比机械臂仅需控制局部关节，人形机器人需要协调躯干、四肢等多个部位，同时处理自身平衡、环境接触等多重因素，这使得传统方法难以实现稳定协作。COLA通过一种统一的强化学习策略，整合了“机器人主导”和“人类主导”两种角色，无需人工干预即可实现丝滑切换。当人类发力稳定时，机器人自动扮演跟随者角色；当物体出现倾斜风险或人类犹豫时，机器人则切换为主导者，主动调整动作以维持平衡。这种自适应能力显著提升了协作的流畅性和安全性。
在技术实现上，COLA的创新点主要体现在三个方面。首先，它采用“残差教师微调”方法：先训练机器人掌握基础运动策略，再引入残差教师模型学习协作中的额外调整，最终通过微调整合为完整策略。其次，整个训练过程在高度动态的仿真环境中完成，模拟了人类突然转向、物体重量变化、手部打滑等多种突发状况，确保模型具备实战能力。训练环境形成闭环反馈，机器人的动作实时影响环境状态，环境变化又反过来优化决策，模拟真实搬运中的持续互动。
最关键的是，COLA完全依赖“本体感知”数据，如关节角度、力度反馈、位置速度信息等，无需任何外部传感器。这不仅降低了硬件成本和系统复杂度，还避免了光线、遮挡等环境干扰，使交互更加自然可靠。通过知识蒸馏技术，强大的仿真模型能力被迁移到轻量化的实体机器人策略中，实现了从虚拟到现实的平稳过渡。
实验验证了COLA方法的有效性。在仿真测试中，COLA在运动精准度（线速度误差降低15%）、负载平衡（物体稳定性提升20%）和人类负担减轻（平均外力减少30%）等方面均优于传统方法，其中COLA-L（领导者设计）表现尤为突出。在真实世界测试中，面对箱子、担架等不同物体，以及直线、转弯等运动模式，COLA在所有场景中均实现了稳健协作。定量数据显示，物体倾斜角度控制在5度以内，人类协作力反馈平滑度提高40%。
此外，团队还进行了人类用户实验，邀请23名参与者与COLA机器人及其他基线方法机器人协作。通过问卷和传感器数据收集发现，COLA在高度跟踪准确性、运动平滑性和整体协作体验方面均获最高评分，用户疲劳感降低25%。这些结果证实了COLA不仅技术先进，还具有实际应用潜力。
COLA方法的成功，标志着人机协作从“显式控制”向“隐式预测”的范式转变。它不试图猜测人类具体意图，而是通过本体感知数据隐式预测物体运动趋势和人类协作意图，以维持负载平衡为核心目标，实现协调的轨迹规划。这种设计不仅提升了效率，还使交互更加人性化，为仓储物流、医疗辅助、家庭服务等场景提供了新的解决方案。
展望未来，COLA技术有望进一步拓展到多机器人协作、复杂环境适应等领域。随着计算能力的提升和算法优化，仅凭本体感知的机器人可能在更多动态任务中发挥关键作用，推动具身智能向更高水平发展。这项研究不仅展示了中国团队在机器人领域的创新能力，也为全球人机协作技术提供了重要参考。
— 图片补充 —
关注“鲸栖”小程序，掌握最新AI资讯
本文由鲸栖原创发布，未经许可，请勿转载。转载请注明出处：http://www.itsolotime.com/archives/7896