Trajectory Optimization for In-Hand Manipulation with Tactile Force Control
作者: Haegu Lee, Yitaek Kim, Victor Melbye Staven, Christoffer Sloth
分类: cs.RO
发布日期: 2025-03-11 (更新: 2025-11-28)
备注: This paper has been accepted to IROS 2025
DOI: 10.1109/IROS60139.2025.11246500
💡 一句话要点
提出基于触觉力控制的灵巧手内操作轨迹优化框架，提升操作精度和鲁棒性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 灵巧手 手内操作 轨迹优化 触觉力控制 磁性触觉传感器 非线性规划 机器人控制
📋 核心要点
- 现有机器人灵巧手在处理小型物体时存在精度和鲁棒性不足的问题，限制了其在自动化任务中的应用。
- 论文提出了一种基于优化的轨迹规划方法，结合触觉反馈和力控制，实现更精确和鲁棒的内操作。
- 实验结果表明，所提出的力控制方法相比于开环控制，滚动操作的成功率提高了30%。
📝 摘要（中文）
人手的优势在于能够精确且稳健地操作小型物体。相比之下，简单的机器人夹爪灵巧性较低，无法有效地处理小型物体。因此，许多自动化任务仍然无法由机器人解决。本文提出了一种基于优化的框架，用于配备紧凑型磁性触觉传感器（MTS）的机器人手的内操作。Shadow Robot公司生产的机器人手的小尺寸带来了在满足接触约束的同时估计物体状态的挑战。为了解决这个问题，我们使用非线性规划（NLP）制定了一个轨迹优化问题，用于手指运动，同时确保接触点沿着手指的几何形状变化。利用求解器优化后的轨迹，我们实现并测试了一个用于滚动运动的开环控制器。为了进一步提高鲁棒性和准确性，我们引入了用于手指的力控制器和利用MTS的物体状态估计器。通过对比实验验证了所提出的框架，结果表明，结合力控制和柔顺性考虑，提高了滚动运动的准确性和鲁棒性。使用力控制器滚动物体比运行开环控制器成功率高30%。
🔬 方法详解
问题定义：论文旨在解决机器人灵巧手在进行手内操作时，由于缺乏精确的物体状态估计和力控制，导致操作精度和鲁棒性不足的问题。现有方法难以同时满足接触约束和实现精确的轨迹控制，尤其是在小型物体操作中。
核心思路：论文的核心思路是将轨迹优化、触觉反馈和力控制相结合。通过轨迹优化规划手指的运动轨迹，利用触觉传感器获取的力信息进行力控制，并结合物体状态估计器，从而提高操作的精度和鲁棒性。这种方法允许机器人手根据实际接触情况调整运动，克服了传统开环控制的局限性。
技术框架：整体框架包含以下几个主要模块：1) 轨迹优化模块：使用非线性规划（NLP）优化手指的运动轨迹，确保接触点沿着手指的几何形状变化。2) 力控制模块：利用触觉传感器反馈的力信息，对每个手指施加精确的力，以维持稳定的接触。3) 状态估计模块：利用触觉传感器数据估计物体的位置和姿态。4) 开环控制器：使用优化后的轨迹进行初始运动。5) 闭环力控制器：基于触觉反馈调整手指力。
关键创新：论文的关键创新在于将轨迹优化与触觉力控制相结合，并利用磁性触觉传感器（MTS）进行物体状态估计。这种结合使得机器人手能够根据实际接触情况动态调整运动，从而提高了操作的精度和鲁棒性。此外，使用紧凑型MTS也使得该方法适用于小型机器人手。
关键设计：轨迹优化问题使用非线性规划（NLP）求解器，目标函数包括最小化关节运动和保持接触稳定性。力控制采用PD控制器，根据触觉传感器反馈的力误差调整手指的力。状态估计器使用卡尔曼滤波等方法，融合触觉传感器数据和运动学模型，估计物体的位置和姿态。柔顺性考虑被纳入力控制中，以避免过度约束。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的基于力控制的内操作框架显著提高了滚动操作的成功率。与开环控制器相比，使用力控制器滚动物体的成功率提高了30%。这证明了触觉反馈和力控制在提高机器人手操作精度和鲁棒性方面的有效性。此外，实验还验证了该方法在处理小型物体时的可行性。
🎯 应用场景
该研究成果可应用于各种需要高精度和鲁棒性的手内操作任务，例如：精密装配、医疗手术、微型器件操作等。通过结合触觉反馈和力控制，机器人能够更好地适应环境变化和物体的不确定性，从而实现更安全、更可靠的自动化操作。未来，该技术有望在工业自动化、医疗机器人等领域发挥重要作用。
📄 摘要（原文）
The strength of the human hand lies in its ability to manipulate small objects precisely and robustly. In contrast, simple robotic grippers have low dexterity and fail to handle small objects effectively. This is why many automation tasks remain unsolved by robots. This paper presents an optimization-based framework for in-hand manipulation with a robotic hand equipped with compact Magnetic Tactile Sensors (MTSs). The small form factor of the robotic hand from Shadow Robot introduces challenges in estimating the state of the object while satisfying contact constraints. To address this, we formulate a trajectory optimization problem using Nonlinear Programming (NLP) for finger movements while ensuring contact points to change along the geometry of the fingers. Using the optimized trajectory from the solver, we implement and test an open-loop controller for rolling motion. To further enhance robustness and accuracy, we introduce a force controller for the fingers and a state estimator for the object utilizing MTSs. The proposed framework is validated through comparative experiments, showing that incorporating the force control with compliance consideration improves the accuracy and robustness of the rolling motion. Rolling an object with the force controller is 30\% more likely to succeed than running an open-loop controller. The demonstration video is available at https://youtu.be/6J_muL_AyE8.