CRISP -- Compliant ROS2 Controllers for Learning-Based Manipulation Policies and Teleoperation

📄 arXiv: 2509.06819v1 📥 PDF

作者: Daniel San José Pro, Oliver Hausdörfer, Ralf Römer, Maximilian Dösch, Martin Schuck, Angela P. Schöllig

分类: cs.RO

发布日期: 2025-09-08

备注: 5 pages, 5 figures

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

CRISP：用于学习操作策略和遥操作的兼容ROS2控制器

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: ROS2控制 机器人操作 学习策略 兼容控制 笛卡尔空间控制

📋 核心要点

  1. 基于学习的控制器通常产生低频或不连续的机器人状态变化，难以实现平滑的参考轨迹跟踪。
  2. CRISP通过实现兼容的笛卡尔空间和关节空间控制器，将高层指令转化为关节力矩，从而实现平滑控制。
  3. CRISP在硬件和模拟环境中验证，提供统一的pipeline，简化数据收集和策略部署，加速学习方法的应用。

📝 摘要（中文）

本文提出CRISP，一个轻量级的C++实现，用于ROS2控制标准的兼容笛卡尔空间和关节空间控制器。CRISP旨在与高层学习策略和遥操作无缝集成，将高层目标命令转换为关节力矩，从而在接触交互期间实现兼容行为。该控制器兼容任何暴露关节力矩接口的机械臂。通过Python和Gymnasium接口，CRISP提供了一个统一的pipeline，用于记录来自硬件和模拟的数据，并无缝部署高层学习策略，从而促进快速实验。该系统已在Franka Robotics FR3硬件以及Kuka IIWA14和Kinova Gen3模拟环境中进行了验证。CRISP的设计目标是快速集成、灵活部署和实时性能，为数据收集和策略执行提供统一的pipeline，降低了在ROS2兼容机械臂上应用学习方法的门槛。

🔬 方法详解

问题定义：现有基于学习的控制器，如扩散策略和视觉-语言动作模型，通常输出低频率或不连续的机器人状态变化。这使得机器人难以平滑地跟踪参考轨迹，尤其是在需要与环境进行接触交互时。现有的低层控制器难以将这些高层指令转化为精确的关节力矩，从而实现兼容的机器人行为。

核心思路：CRISP的核心思路是提供一个轻量级、兼容ROS2标准的笛卡尔空间和关节空间控制器，该控制器能够将高层学习策略或遥操作指令转化为精确的关节力矩。通过这种方式，CRISP能够实现平滑的参考轨迹跟踪，并允许机器人在接触交互期间表现出兼容的行为。这种设计使得高层学习策略能够更容易地部署到实际的机器人硬件上。

技术框架：CRISP的整体框架包括以下几个主要部分：1) C++实现的控制器核心，负责计算关节力矩；2) ROS2接口，用于与机器人硬件和软件系统进行通信；3) Python和Gymnasium接口，用于数据收集和策略部署；4) 兼容笛卡尔空间和关节空间的控制模式。该框架支持多种机器人平台，包括Franka Robotics FR3、Kuka IIWA14和Kinova Gen3。

关键创新：CRISP的关键创新在于其轻量级的设计和与ROS2标准的兼容性。这使得CRISP能够快速集成到现有的机器人系统中，并与各种高层学习策略无缝协作。此外，CRISP提供的Python和Gymnasium接口简化了数据收集和策略部署的过程，降低了在机器人上应用学习方法的门槛。

关键设计：CRISP的关键设计包括：1) 兼容笛卡尔空间和关节空间的控制模式，允许用户根据不同的任务需求选择合适的控制方式；2) 轻量级的C++实现，保证了实时性能；3) 灵活的参数配置，允许用户根据不同的机器人平台和任务需求进行调整；4) 统一的Python和Gymnasium接口，简化了数据收集和策略部署的过程。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CRISP已在Franka Robotics FR3硬件以及Kuka IIWA14和Kinova Gen3模拟环境中进行了验证。实验结果表明，CRISP能够有效地将高层学习策略转化为精确的关节力矩，实现平滑的参考轨迹跟踪和兼容的机器人行为。该系统降低了在ROS2兼容机械臂上应用学习方法的门槛，加速了机器人学习领域的研究进展。

🎯 应用场景

CRISP适用于各种机器人操作任务，例如装配、抓取、操作等。它能够帮助研究人员和工程师快速开发和部署基于学习的机器人控制策略，从而提高机器人的自主性和适应性。此外，CRISP还可以应用于遥操作领域，使得操作人员能够更加精确和安全地控制机器人。

📄 摘要（原文）

Learning-based controllers, such as diffusion policies and vision-language action models, often generate low-frequency or discontinuous robot state changes. Achieving smooth reference tracking requires a low-level controller that converts high-level targets commands into joint torques, enabling compliant behavior during contact interactions. We present CRISP, a lightweight C++ implementation of compliant Cartesian and joint-space controllers for the ROS2 control standard, designed for seamless integration with high-level learning-based policies as well as teleoperation. The controllers are compatible with any manipulator that exposes a joint-torque interface. Through our Python and Gymnasium interfaces, CRISP provides a unified pipeline for recording data from hardware and simulation and deploying high-level learning-based policies seamlessly, facilitating rapid experimentation. The system has been validated on hardware with the Franka Robotics FR3 and in simulation with the Kuka IIWA14 and Kinova Gen3. Designed for rapid integration, flexible deployment, and real-time performance, our implementation provides a unified pipeline for data collection and policy execution, lowering the barrier to applying learning-based methods on ROS2-compatible manipulators. Detailed documentation is available at the project website - https://utiasDSL.github.io/crisp_controllers.