Estimating Deformable-Rigid Contact Interactions for a Deformable Tool via Learning and Model-Based Optimization
作者: Mark Van der Merwe, Miquel Oller, Dmitry Berenson, Nima Fazeli
分类: cs.RO
发布日期: 2025-05-16
备注: 8 pages. IEEE Robotics and Automation Letters, 2025
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出一种混合学习与模型优化的方法，用于估计可变形工具与刚性物体的接触交互
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 可变形操作 接触力估计 混合学习 模型优化 接触二次规划 软体机器人 灵巧操作
📋 核心要点
- 现有方法难以准确描述可变形工具与刚性物体间的复杂接触，阻碍了灵巧操作。
- 提出混合学习与模型优化方法，学习模块估计物体运动和接触力，再用接触二次规划恢复环境力。
- 仿真实验表明，该方法在不同几何形状和物理属性下，优于基线方法，并成功迁移到真实世界。
📝 摘要（中文）
本文提出了一种混合学习与第一性原理相结合的方法，用于建模可变形工具和刚性物体之间的同步运动和力传递。该方法针对人机交互环境中日益普遍的可变形工具，以及软体机器人操控的需求。学习模块负责联合估计刚性物体的运动和可变形工具施加的接触力。然后，提出了一个接触二次规划（Contact Quadratic Program）来恢复环境和物体之间的力，同时满足准静态平衡和库仑摩擦约束。最终系统能够建模灵巧的可变形操作中的内在和外在运动、接触和力。该方法在仿真中进行训练，并在不同的块几何形状和物理属性下，在推和枢转操作中优于基线方法，并展示了向真实世界交互的迁移能力。
🔬 方法详解
问题定义：论文旨在解决可变形工具灵巧操作刚性物体时，如何准确估计工具与物体之间的接触力和物体运动的问题。现有方法通常基于刚体接触模型，难以处理可变形工具的复杂形变和接触特性，导致力估计不准确，影响操作精度。
核心思路：论文的核心思路是结合学习和模型优化。利用学习方法从数据中学习可变形工具的接触力，然后利用基于物理模型的优化方法，结合准静态平衡和摩擦约束，来求解物体与环境之间的接触力。这种混合方法可以充分利用数据的优势和物理模型的约束，提高力估计的准确性和鲁棒性。
技术框架：该方法包含两个主要模块：1) 学习模块，用于估计刚性物体的运动和可变形工具施加的接触力。该模块通常是一个神经网络，输入是工具的形变和物体的状态，输出是物体的运动和接触力。2) 接触二次规划（Contact Quadratic Program）模块，用于恢复环境和物体之间的力，同时满足准静态平衡和库仑摩擦约束。该模块将力估计问题转化为一个二次规划问题，通过求解该问题得到物体与环境之间的接触力。
关键创新：该方法最重要的创新点在于将学习和模型优化相结合，利用学习方法估计可变形工具的接触力，然后利用基于物理模型的优化方法求解物体与环境之间的接触力。这种混合方法可以充分利用数据的优势和物理模型的约束，提高力估计的准确性和鲁棒性。此外，使用接触二次规划来保证解的物理可行性也是一个创新点。
关键设计：学习模块的网络结构未知，但可以推测可能使用了卷积神经网络或循环神经网络来处理工具的形变数据。接触二次规划的关键在于目标函数的选择和约束条件的设置。目标函数通常是力的大小和方向的平方和，约束条件包括准静态平衡方程和库仑摩擦约束。具体的参数设置和损失函数未知。
🖼️ 关键图片
📊 实验亮点
该方法在仿真实验中表现出色，在不同块几何形状和物理属性下，在推和枢转操作中优于基线方法。更重要的是，该方法成功地从仿真环境迁移到真实世界，验证了其泛化能力和实用性。具体的性能数据和提升幅度未知，但实验结果表明该方法具有显著的优势。
🎯 应用场景
该研究成果可应用于软体机器人灵巧操作、医疗手术机器人辅助、柔性传感器设计等领域。通过精确估计可变形工具与物体的接触力，可以提高操作的精度和安全性，实现更复杂和精细的操作任务。未来，该方法有望应用于更广泛的柔性操作场景，例如食品加工、服装制造等。
📄 摘要（原文）
Dexterous manipulation requires careful reasoning over extrinsic contacts. The prevalence of deforming tools in human environments, the use of deformable sensors, and the increasing number of soft robots yields a need for approaches that enable dexterous manipulation through contact reasoning where not all contacts are well characterized by classical rigid body contact models. Here, we consider the case of a deforming tool dexterously manipulating a rigid object. We propose a hybrid learning and first-principles approach to the modeling of simultaneous motion and force transfer of tools and objects. The learned module is responsible for jointly estimating the rigid object's motion and the deformable tool's imparted contact forces. We then propose a Contact Quadratic Program to recover forces between the environment and object subject to quasi-static equilibrium and Coulomb friction. The results is a system capable of modeling both intrinsic and extrinsic motions, contacts, and forces during dexterous deformable manipulation. We train our method in simulation and show that our method outperforms baselines under varying block geometries and physical properties, during pushing and pivoting manipulations, and demonstrate transfer to real world interactions. Video results can be found at https://deform-rigid-contact.github.io/.