Recasting Classical Motion Planning for Contact-Rich Manipulation

📄 arXiv: 2506.00351v2 📥 PDF

作者: Lin Yang, Huu-Thiet Nguyen, Chen Lv, Domenico Campolo

分类: cs.RO

发布日期: 2025-05-31 (更新: 2025-07-27)

💡 一句话要点

提出HapticRRT算法，将经典运动规划应用于富接触操作任务

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 富接触操作 机器人操作 快速探索随机树 准静态平衡

📋 核心要点

  1. 传统运动规划算法难以处理富接触操作，因为它们主要关注无碰撞路径，而忽略了接触在操作中的重要作用。
  2. HapticRRT算法通过在准静态平衡流形上进行规划，并结合触觉障碍和度量，实现了对富接触操作的有效规划。
  3. 实验表明，HapticRRT算法能够发现多种操作策略，并在不同的操作任务中表现出良好的通用性。

📝 摘要（中文）

本文探讨了如何将传统的运动规划算法重新应用于富接触操作任务。与单纯关注效率不同，我们研究了如何将操作任务的各个方面转化为传统的运动规划算法。传统的运动规划器，如快速探索随机树(RRT)，通常计算构型空间中的无碰撞路径。然而，在许多操作任务中，接触是不可避免的，或者对于任务成功至关重要，例如创造空间或维持物理平衡。因此，我们提出了触觉快速探索随机树(HapticRRT)，这是一种规划算法，它在准静态操作的背景下，结合了最近提出的基于操作势（Hessian矩阵的平方）的最优性度量。主要贡献包括：i) 调整经典RRT以在准静态平衡流形上运行，同时加深对触觉障碍和度量的解释；ii) 发现对应于平衡流形分支的多种操作策略；iii) 通过三个不同的操作任务验证了我们方法的通用性，每个任务仅需要一个操作势表达式。

🔬 方法详解

问题定义：论文旨在解决传统运动规划算法在富接触操作任务中的局限性。现有方法通常依赖于无碰撞路径规划，无法有效处理需要与环境进行稳定接触才能完成的操作任务，例如需要维持物理平衡或创造操作空间的任务。这些任务对规划算法提出了更高的要求，需要考虑接触力、摩擦力等因素。

核心思路：论文的核心思路是将富接触操作问题转化为在准静态平衡流形上的运动规划问题。通过引入操作势的概念，将接触力、摩擦力等因素纳入考虑，从而能够在规划过程中保证操作的稳定性。HapticRRT算法通过在平衡流形上进行探索，寻找满足操作要求的路径。

技术框架：HapticRRT算法基于经典的RRT算法，并对其进行了改进，使其能够在准静态平衡流形上进行规划。算法的主要流程包括：(1) 在构型空间中随机采样;(2) 将采样点投影到平衡流形上;(3) 计算采样点处的触觉障碍和度量;(4) 选择最优的扩展方向;(5) 重复上述步骤，直到找到目标构型。

关键创新：HapticRRT算法的关键创新在于将操作势的概念引入到运动规划中，从而能够有效地处理富接触操作任务。此外，该算法还能够发现多种操作策略，对应于平衡流形的不同分支。通过加深对触觉障碍和度量的理解，HapticRRT算法能够更加有效地进行规划。

关键设计：HapticRRT算法的关键设计包括：(1) 操作势的定义，它决定了平衡流形的形状和操作的稳定性;(2) 触觉障碍的计算，它用于避免与环境发生碰撞;(3) 度量的选择，它用于衡量操作路径的优劣。论文中使用了基于操作势Hessian矩阵的平方的最优性度量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过三个不同的操作任务验证了HapticRRT算法的通用性，每个任务仅需要一个操作势表达式。这些任务包括：(1) 通过推箱子创造空间;(2) 通过支撑物体维持平衡;(3) 通过旋转物体改变其姿态。实验结果表明，HapticRRT算法能够有效地解决这些问题，并发现多种操作策略。

🎯 应用场景

该研究成果可应用于机器人操作、装配、抓取等领域，尤其是在需要与环境进行稳定接触才能完成的任务中，例如复杂零件的装配、狭小空间内的操作等。该方法有望提高机器人在复杂环境中的操作能力，并为自动化生产提供更可靠的解决方案。

📄 摘要（原文）

In this work, we explore how conventional motion planning algorithms can be reapplied to contact-rich manipulation tasks. Rather than focusing solely on efficiency, we investigate how manipulation aspects can be recast in terms of conventional motion-planning algorithms. Conventional motion planners, such as Rapidly-Exploring Random Trees (RRT), typically compute collision-free paths in configuration space. However, in many manipulation tasks, contact is either unavoidable or essential for task success, such as for creating space or maintaining physical equilibrium. As such, we presents Haptic Rapidly-Exploring Random Trees (HapticRRT), a planning algorithm that incorporates a recently proposed optimality measure in the context of \textit{quasi-static} manipulation, based on the (squared) Hessian of manipulation potential. The key contributions are i) adapting classical RRT to operate on the quasi-static equilibrium manifold, while deepening the interpretation of haptic obstacles and metrics; ii) discovering multiple manipulation strategies, corresponding to branches of the equilibrium manifold. iii) validating the generality of our method across three diverse manipulation tasks, each requiring only a single manipulation potential expression. The video can be found at https://youtu.be/R8aBCnCCL40.