Automatic Derivation of an Optimal Task Frame for Learning and Controlling Contact-Rich Tasks
作者: Ali Mousavi Mohammadi, Maxim Vochten, Erwin Aertbeliën, Joris De Schutter
分类: cs.RO
发布日期: 2024-04-02 (更新: 2024-09-11)
期刊: Robotics and Autonomous Systems, Vol. 197, 105270, 2026
DOI: 10.1016/j.robot.2025.105270
💡 一句话要点
提出自动任务框架推导方法以优化接触丰富任务的学习与控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自动化控制 任务框架 接触丰富任务 机器人学习 螺旋理论
📋 核心要点
- 现有方法在选择参考框架时常依赖专家经验，缺乏自动化和普适性，导致效率低下。
- 论文提出了一种基于螺旋理论的自动推导最优任务框架的方法，能够直接从示范数据中生成参考框架。
- 实验验证表明，该方法在多种接触丰富任务中表现出色，推导框架与专家框架一致性高，控制器性能显著提升。
📝 摘要（中文）
在以往的接触丰富任务学习与控制研究中，选择合适的参考框架的过程往往隐含、依赖专家见解或从候选框架开始。本文提出了一种自动推导最优参考框架的方法，称为最优任务框架，直接基于示范的运动和作用力数据。利用螺旋理论生成多个原点和方向候选，最大化数据的解耦。该方法在不需要超参数的情况下，概率性处理这些候选以获得最优任务框架，其原点和方向可以独立固定于世界坐标系或机器人工具。该方法适用于包括平面跟随和关节物体操作等多种任务，验证结果显示推导的任务框架与专家假设框架之间具有良好一致性。基于推导的任务框架设计的约束控制器有效提升了机器人的性能。
🔬 方法详解
问题定义：本文旨在解决接触丰富任务中参考框架选择的自动化问题。现有方法通常依赖于专家的主观判断，缺乏系统性和普适性，导致任务执行效率低下。
核心思路：论文的核心思路是利用螺旋理论生成多个原点和方向候选，通过最大化数据解耦来推导最优任务框架。该方法不依赖超参数，简化了框架选择过程。
技术框架：整体方法分为几个主要模块：首先，从示范数据中提取运动和作用力信息；其次，生成多个候选框架；然后，使用概率方法评估候选框架的优劣，最终选择最优任务框架。
关键创新：最重要的技术创新在于自动化推导最优任务框架的能力，显著减少了对专家知识的依赖，与传统方法相比，提供了更高的灵活性和适应性。
关键设计：该方法的关键设计包括候选框架生成的算法、概率评估机制以及框架的独立固定方式，确保了推导过程的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，推导的最优任务框架与专家假设框架之间具有良好的一致性，尤其在表面跟随和关节物体操作任务中，控制器的性能提升显著，验证了方法的有效性和灵活性。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造、服务机器人等接触丰富任务场景。通过自动推导任务框架，能够提升机器人在复杂环境中的适应能力和执行效率，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
In previous work on learning and controlling contact-rich tasks, the procedure for choosing a proper reference frame to express learned signals for the motion and the interaction wrench is often implicit, requires expert insight, or starts from proposed frame candidates. This article presents an automatic method to derive the optimal reference frame, referred to as optimal task frame, directly from the recorded motion and wrench data of the demonstration. Using screw theory, several origin and orientation candidates are generated that maximize decoupling in the data. These candidates are then processed probabilistically, without needing hyperparameters, to obtain the optimal task frame. Its origin and orientation are independently fixed to either the world or the robot tool. The method works regardless of whether the task involves translation, rotation, force, or moment, or any combination thereof. The method was validated for various tasks, including surface following and manipulation of articulated objects, showing good agreement between derived and assumed expert task frames. To validate the robot's performance, a constraint-based controller was designed based on the data expressed in the derived task frames. These experiments demonstrated the approach's effectiveness and versatility. The automatic task frame derivation approach supports learning methods to design controllers for a wide range of contact-rich tasks.