PrioriTouch: Adapting to User Contact Preferences for Whole-Arm Physical Human-Robot Interaction
作者: Rishabh Madan, Jiawei Lin, Mahika Goel, Angchen Xie, Xiaoyu Liang, Marcus Lee, Justin Guo, Pranav N. Thakkar, Rohan Banerjee, Jose Barreiros, Kate Tsui, Tom Silver, Tapomayukh Bhattacharjee
分类: cs.RO, cs.AI
发布日期: 2025-09-22
备注: Conference on Robot Learning (CoRL)
💡 一句话要点
PrioriTouch：通过学习用户接触偏好实现全身物理人机交互
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 物理人机交互 人机协作 用户偏好学习 学习排序 分层控制
📋 核心要点
- 现有物理人机交互难以处理全身交互中多个接触点偏好不一致的问题，尤其是在护理等需要频繁接触的场景。
- PrioriTouch框架通过学习排序方法和分层操作空间控制，对多个接触点的控制目标进行优先级排序，从而适应用户偏好。
- 通过仿真和真实实验，验证了PrioriTouch在适应用户偏好、保持任务性能和提升安全舒适性方面的有效性。
📝 摘要（中文）
物理人机交互(pHRI)要求机器人适应个体接触偏好，例如接触位置和施力大小。单点接触时偏好识别已具挑战；全身交互涉及机器人与人之间的多点同步接触，难度更大，因为不同身体部位可能产生不兼容的力需求。在护理任务中，接触频繁且多样，此类冲突不可避免。由于多个接触点存在多个偏好，没有单一解决方案能满足所有目标——权衡是固有的，因此优先级排序至关重要。我们提出了PrioriTouch，一个用于对多个接触点的控制目标进行排序和执行的框架。PrioriTouch可以对一般的控制器集合进行优先级排序，使其不仅适用于床上洗浴和穿衣等护理场景，还适用于更广泛的多点接触环境。我们的方法结合了一种新颖的学习排序方法和分层操作空间控制，利用simulation-in-the-loop rollouts实现数据高效和安全探索。我们对身体辅助偏好进行了用户研究，推导了个性化的舒适度阈值，并将它们纳入PrioriTouch。我们通过广泛的仿真和真实世界实验评估了PrioriTouch，证明了其适应用户接触偏好、保持任务性能以及增强安全性和舒适性的能力。
🔬 方法详解
问题定义：论文旨在解决全身物理人机交互中，机器人需要同时与人体的多个部位进行接触，而不同部位对接触的位置、力度等偏好可能存在冲突，导致难以设计出令用户感到舒适且能完成任务的控制策略。现有方法难以有效处理这种多目标冲突和用户个性化偏好问题。
核心思路：论文的核心思路是学习用户对不同接触点的偏好，并根据这些偏好对不同的控制目标进行排序，从而在满足用户舒适度的前提下，尽可能完成任务。通过学习排序，机器人可以根据用户反馈动态调整控制策略，实现个性化的交互体验。
技术框架：PrioriTouch框架主要包含以下几个模块：1) 用户偏好学习模块：通过用户研究和实验，收集用户对不同接触方式的舒适度数据，并建立个性化的舒适度模型。2) 控制目标生成模块：根据任务需求，生成多个控制目标，例如保持特定姿势、施加特定力等。3) 学习排序模块：利用学习排序算法，根据用户偏好模型对控制目标进行排序，确定每个目标的优先级。4) 分层操作空间控制模块：根据控制目标的优先级，采用分层操作空间控制方法，实现对机器人的控制。仿真环境用于数据生成和策略训练。
关键创新：论文的关键创新在于将学习排序方法引入到物理人机交互中，用于解决多目标冲突和用户个性化偏好问题。与传统方法相比，PrioriTouch能够根据用户反馈动态调整控制策略，实现更自然、更舒适的人机交互体验。此外，利用simulation-in-the-loop rollouts进行数据高效和安全探索也降低了真实实验的风险和成本。
关键设计：论文的关键设计包括：1) 用户舒适度模型的构建方法，如何有效地收集和利用用户反馈数据。2) 学习排序算法的选择和优化，如何平衡探索和利用，实现快速学习和稳定控制。3) 分层操作空间控制器的设计，如何保证高优先级目标的实现，同时尽可能满足低优先级目标。4) 仿真环境的搭建，如何保证仿真结果的可靠性和泛化能力。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和真实世界实验验证了PrioriTouch的有效性。在用户研究中，收集了用户对不同接触方式的偏好数据，并建立了个性化的舒适度模型。实验结果表明，PrioriTouch能够根据用户偏好动态调整控制策略，显著提高用户的舒适度和满意度。此外，PrioriTouch还能够在保持任务性能的同时，有效避免潜在的安全风险。
🎯 应用场景
PrioriTouch框架具有广泛的应用前景，尤其是在需要频繁物理接触的场景中，例如：1) 医疗护理：辅助老年人或残疾人进行日常活动，如洗浴、穿衣等。2) 康复训练：帮助患者进行康复训练，提供个性化的辅助和指导。3) 工业制造：与工人协同完成装配、搬运等任务，提高生产效率和安全性。该研究有望推动人机协作机器人技术的发展，实现更安全、更舒适、更高效的人机交互。
📄 摘要（原文）
Physical human-robot interaction (pHRI) requires robots to adapt to individual contact preferences, such as where and how much force is applied. Identifying preferences is difficult for a single contact; with whole-arm interaction involving multiple simultaneous contacts between the robot and human, the challenge is greater because different body parts can impose incompatible force requirements. In caregiving tasks, where contact is frequent and varied, such conflicts are unavoidable. With multiple preferences across multiple contacts, no single solution can satisfy all objectives--trade-offs are inherent, making prioritization essential. We present PrioriTouch, a framework for ranking and executing control objectives across multiple contacts. PrioriTouch can prioritize from a general collection of controllers, making it applicable not only to caregiving scenarios such as bed bathing and dressing but also to broader multi-contact settings. Our method combines a novel learning-to-rank approach with hierarchical operational space control, leveraging simulation-in-the-loop rollouts for data-efficient and safe exploration. We conduct a user study on physical assistance preferences, derive personalized comfort thresholds, and incorporate them into PrioriTouch. We evaluate PrioriTouch through extensive simulation and real-world experiments, demonstrating its ability to adapt to user contact preferences, maintain task performance, and enhance safety and comfort. Website: https://emprise.cs.cornell.edu/prioritouch.