Learning Force-Regulated Manipulation with a Low-Cost Tactile-Force-Controlled Gripper

📄 arXiv: 2602.10013v1 📥 PDF

作者: Xuhui Kang, Tongxuan Tian, Sung-Wook Lee, Binghao Huang, Yunzhu Li, Yen-Ling Kuo

分类: cs.RO

发布日期: 2026-02-10

备注: 10 pages, 11 figures

💡 一句话要点

提出RETAF框架和低成本力觉触觉gripper，实现机器人精确力控操作

🎯 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: 力控操作 触觉反馈 机器人夹爪 强化学习 解耦控制

📋 核心要点

  1. 现有商业夹爪成本高或最小作用力大，不适用于日常力敏感物体的力控策略学习。
  2. 提出RETAF框架，解耦抓取力控制与机械臂姿态预测，利用触觉和视觉信息高频调节力。
  3. 实验表明，相比位置控制，直接力控制显著提升抓取稳定性和任务性能，触觉反馈至关重要。

📝 摘要（中文）

本文提出了一种低成本（约150美元）的力控并联爪夹持器TF-Gripper，该夹持器集成了触觉传感作为反馈，有效力范围为0.45-45N，并与不同的机器人手臂兼容。此外，还设计了一种与TF-Gripper配对的遥操作设备，用于记录人类施加的抓取力。为了解决标准低频策略在力调节中的局限性，本文提出了一种名为RETAF（REactive Tactile Adaptation of Force）的框架，该框架将抓取力控制与手臂姿态预测分离。RETAF使用腕部图像和触觉反馈以高频率调节力，而基础策略预测末端执行器的姿态和夹持器的打开/关闭动作。在五个需要精确力调节的真实世界任务中评估了TF-Gripper和RETAF。结果表明，与位置控制相比，直接力控制显著提高了抓取稳定性和任务性能。此外，触觉反馈对于力调节至关重要，RETAF始终优于基线，并且可以与各种基础策略集成。这项工作为扩展机器人操作中力控策略的学习开辟了一条道路。

🔬 方法详解

问题定义：论文旨在解决机器人精确力控操作的问题，特别是对于易碎或力敏感物体的操作。现有方法，如位置控制，无法精确控制作用力，容易导致物体损坏或任务失败。商业夹爪要么成本过高，要么最小作用力过大，不适用于此类任务的学习和研究。

核心思路：论文的核心思路是将力控制与机械臂的姿态控制解耦。通过高频的触觉和视觉反馈来调节夹持力，而机械臂的姿态则由一个相对低频的基础策略控制。这种解耦使得系统能够更快速、更精确地响应接触变化，从而实现更稳定的力控操作。

技术框架：整体框架包含两个主要部分：TF-Gripper（力觉触觉夹爪）和RETAF（力觉自适应框架）。TF-Gripper负责提供力觉和触觉反馈，RETAF则利用这些反馈信息进行力控制。RETAF框架包括一个基础策略（Base Policy）和一个力调节模块（Force Regulation Module）。基础策略负责预测机械臂的末端执行器姿态和夹爪的开合动作，力调节模块则根据腕部图像和触觉反馈，以高频率调节夹持力。

关键创新：论文的关键创新在于RETAF框架，它将力控制与姿态控制解耦，并利用触觉和视觉信息进行高频力调节。这种方法能够更有效地处理接触相关的任务，并提高抓取的稳定性和任务性能。此外，低成本的TF-Gripper也降低了力控操作研究的门槛。

关键设计：TF-Gripper采用低成本的传感器和材料，实现了0.45-45N的有效力范围。RETAF框架中的力调节模块使用神经网络来学习从腕部图像和触觉反馈到夹持力的映射关系。损失函数可能包含力误差项和稳定性项，以确保力控制的精度和抓取的稳定性。基础策略可以使用各种现有的强化学习或模仿学习算法。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与传统的位置控制相比，使用TF-Gripper和RETAF框架的直接力控制显著提高了抓取稳定性和任务性能。具体而言，在五个真实世界的任务中，RETAF consistently优于基线方法，并且可以与各种基础策略集成。实验还证明了触觉反馈在力调节中的重要性。

🎯 应用场景

该研究成果可应用于各种需要精确力控的机器人操作任务，例如食品处理（抓取薯片等易碎食品）、医疗手术（精细组织操作）、精密装配（电子元件组装）等领域。低成本的TF-Gripper和RETAF框架的结合，有望推动力控机器人在更广泛的实际场景中应用，并降低自动化成本。

📄 摘要（原文）

Successfully manipulating many everyday objects, such as potato chips, requires precise force regulation. Failure to modulate force can lead to task failure or irreversible damage to the objects. Humans can precisely achieve this by adapting force from tactile feedback, even within a short period of physical contact. We aim to give robots this capability. However, commercial grippers exhibit high cost or high minimum force, making them unsuitable for studying force-controlled policy learning with everyday force-sensitive objects. We introduce TF-Gripper, a low-cost (~$150) force-controlled parallel-jaw gripper that integrates tactile sensing as feedback. It has an effective force range of 0.45-45N and is compatible with different robot arms. Additionally, we designed a teleoperation device paired with TF-Gripper to record human-applied grasping forces. While standard low-frequency policies can be trained on this data, they struggle with the reactive, contact-dependent nature of force regulation. To overcome this, we propose RETAF (REactive Tactile Adaptation of Force), a framework that decouples grasping force control from arm pose prediction. RETAF regulates force at high frequency using wrist images and tactile feedback, while a base policy predicts end-effector pose and gripper open/close action. We evaluate TF-Gripper and RETAF across five real-world tasks requiring precise force regulation. Results show that compared to position control, direct force control significantly improves grasp stability and task performance. We further show that tactile feedback is essential for force regulation, and that RETAF consistently outperforms baselines and can be integrated with various base policies. We hope this work opens a path for scaling the learning of force-controlled policies in robotic manipulation. Project page: https://force-gripper.github.io .