CATCH-FORM-ACTer: Compliance-Aware Tactile Control and Hybrid Deformation Regulation-Based Action Transformer for Viscoelastic Object Manipulation

📄 arXiv: 2504.08232v1 📥 PDF

作者: Hongjun Ma, Weichang Li, Jingwei Zhang, Shenlai He, Xiaoyan Deng

分类: cs.RO

发布日期: 2025-04-11

备注: 7 pages, 7 figures, 1 table

💡 一句话要点

CATCH-FORM-ACTer：基于触觉控制和形变调控的Transformer网络，用于粘弹性物体操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 粘弹性物体操作 触觉控制 形变调控 Transformer网络 示教学习

📋 核心要点

  1. 现有方法在粘弹性物体操作中，难以应对动态参数失配和复杂的力-形变耦合问题，需要针对特定物体和任务进行精细调整。
  2. CATCH-FORM-ACTer通过Transformer框架学习人类操作策略，动态调整控制参数，实现对粘弹性物体操作的力-形变精确控制。
  3. 实验结果表明，该方法在单臂/双臂机器人操作中，成功率比传统方法提升10%-20%，展现了更好的力场模式。

📝 摘要（中文）

刚性机器人操作粘弹性物体面临动态参数失配、接触不稳定振荡以及时空力-形变耦合等挑战。本文在前期工作Compliance-Aware Tactile Control and Hybrid Deformation Regulation (CATCH-FORM-3D)的基础上，提出CATCH-FORM-ACTer，通过Action Chunking with Transformer (ACT)框架增强了CATCH-FORM-3D，实现对粘弹性物体的鲁棒操作和精确形变控制。该方法利用示教学习(LfD)构建长时程感知、决策和执行序列。与传统ACT方法侧重轨迹规划不同，该方法在多阶段操作中实时调整刚度、阻尼和扩散参数，模仿人类的力-形变调制。单臂/双臂机器人的实验表明，该方法具有更好的力场模式，成功率比传统方法高10%-20%，适用于工业、医疗或家庭场景的精确、安全交互。

🔬 方法详解

问题定义：现有方法在刚性机器人操作粘弹性物体时，面临动态参数失配、接触不稳定振荡以及时空力-形变耦合等问题。此外，现有方法通常需要针对特定物体和任务进行精细的参数调整和校准，泛化能力较差。这些问题限制了刚性机器人在处理柔性或粘弹性物体时的应用。

核心思路：CATCH-FORM-ACTer的核心思路是利用Action Chunking with Transformer (ACT)框架，通过学习人类的示教操作，模仿人类在操作粘弹性物体时对力-形变的精细调制。通过Transformer网络学习长时程的感知、决策和执行序列，并动态调整控制参数，从而实现对粘弹性物体的精确操作。

技术框架：CATCH-FORM-ACTer框架主要包含三个部分：1) 示教学习(LfD)系统，用于收集人类操作数据；2) Action Chunking with Transformer (ACT)网络，用于学习人类操作策略，生成控制参数；3) Compliance-Aware Tactile Control and Hybrid Deformation Regulation (CATCH-FORM-3D)控制器，用于执行机器人操作，实现力-形变控制。ACT网络接收感知信息作为输入，输出控制参数，CATCH-FORM-3D控制器根据这些参数执行操作。

关键创新：该方法的关键创新在于将Action Chunking with Transformer (ACT)框架与Compliance-Aware Tactile Control and Hybrid Deformation Regulation (CATCH-FORM-3D)控制器相结合。与传统的ACT方法只关注轨迹规划不同，该方法能够动态调整刚度、阻尼和扩散参数，从而实现对力-形变的精细控制，更接近人类的操作方式。

关键设计：ACT网络采用Transformer架构，用于学习长时程的操作序列。网络的输入包括触觉传感器数据、视觉信息等感知信息。网络的输出是控制参数，包括刚度、阻尼和扩散参数。损失函数的设计旨在最小化机器人操作与人类示教操作之间的差异。CATCH-FORM-3D控制器采用力驱动的导纳外环和PDE稳定的内环，实现亚毫米级的表面形变精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CATCH-FORM-ACTer在单臂和双臂机器人操作任务中，相比传统方法，成功率提高了10%-20%。该方法能够生成更好的力场模式，实现更精确的力-形变控制。实验验证了该方法在粘弹性物体操作中的有效性和优越性。

🎯 应用场景

CATCH-FORM-ACTer在工业、医疗和家庭服务等领域具有广泛的应用前景。例如，在工业制造中，可以用于自动化装配柔性部件；在医疗领域，可以用于微创手术和康复训练；在家庭服务中，可以用于处理易碎或易变形的物品。该研究有助于提高机器人在复杂环境下的适应性和操作精度，实现更安全、更高效的人机协作。

📄 摘要（原文）

Automating contact-rich manipulation of viscoelastic objects with rigid robots faces challenges including dynamic parameter mismatches, unstable contact oscillations, and spatiotemporal force-deformation coupling. In our prior work, a Compliance-Aware Tactile Control and Hybrid Deformation Regulation (CATCH-FORM-3D) strategy fulfills robust and effective manipulations of 3D viscoelastic objects, which combines a contact force-driven admittance outer loop and a PDE-stabilized inner loop, achieving sub-millimeter surface deformation accuracy. However, this strategy requires fine-tuning of object-specific parameters and task-specific calibrations, to bridge this gap, a CATCH-FORM-ACTer is proposed, by enhancing CATCH-FORM-3D with a framework of Action Chunking with Transformer (ACT). An intuitive teleoperation system performs Learning from Demonstration (LfD) to build up a long-horizon sensing, decision-making and execution sequences. Unlike conventional ACT methods focused solely on trajectory planning, our approach dynamically adjusts stiffness, damping, and diffusion parameters in real time during multi-phase manipulations, effectively imitating human-like force-deformation modulation. Experiments on single arm/bimanual robots in three tasks show better force fields patterns and thus 10%-20% higher success rates versus conventional methods, enabling precise, safe interactions for industrial, medical or household scenarios.