- 人形机器人在**运动控制(locomotion)** 方面已取得显著进展，但**接触丰富且长时域操作(contact-rich and long-horizon manipulation)** 仍是主要瓶颈
- 操作任务本质上是接触丰富的，需要**顺从的全身控制(compliant whole-body control)** 以实现稳定交互，而现有方法多依赖关节空间跟踪，难以满足模块化、规划器兼容的需求
- 提出**CEER框架**，一种顺从的末端执行器-根部(EE-root)控制抽象，位于**层级规划框架(hierarchical planning framework)** 中
- 在由**根部运动命令(root motion commands)** 和**末端执行器姿态目标(end-effector pose targets)** 定义的可解释任务空间中，实现**顺从感知的全身控制(compliance-aware whole-body control)**
- 采用**教师-学生(teacher-student)** 框架，将通用运动跟踪控制器蒸馏为仅消耗EE-root命令的低层策略，支持即插即用集成异构高层规划器
- **统一接口设计**：首次将**末端执行器-根部(EE-root)** 控制抽象作为人形机器人**运动-操作(loco-manipulation)** 的通用接口，支持与不同类型的任务规划器无缝集成
- **层级解耦**：通过EE-root接口实现高层规划与底层全身控制的解耦，无需重新训练底层策略即可执行多样化操作任务
- **顺从性提升**：相比基线方法，在保持高跟踪精度（3.3 cm末端执行器误差）的同时，显著降低**急动度(jerk)**，提升接触操作稳定性
- 为**人形机器人操作(humanoid manipulation)** 提供了一种实用的**模块化可扩展范式(modular and scalable paradigm)**，通过EE-root接口整合多种技能
- 在仿真和实际机器人上验证了有效性：模拟单物体操作成功率70%，遥操作稳定接触任务
- 推动了**分层控制(hierarchical control)** 在人形机器人操作领域的应用，为实现复杂长时域操作任务奠定了架构基础