Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation
作者: Hongjie Fang, Shirun Tang, Mingyu Mei, Haoxiang Qin, Zihao He, Jingjing Chen, Ying Feng, Chenxi Wang, Wanxi Liu, Zaixing He, Cewu Lu, Shiquan Wang
分类: cs.RO
发布日期: 2026-02-25
💡 一句话要点
提出Force Policy以解决接触丰富操作中的力与位置控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 接触丰富操作 力与位置控制 视觉引导 高频交互 机器人技术 混合控制策略
📋 核心要点
- 现有方法往往将视觉引导与力反馈控制纠缠在一起，导致全局泛化能力与局部稳定性之间的权衡。
- 本文提出了Force Policy，通过物理基础的交互框架将力调节与运动执行解耦，采用全球策略与局部策略相结合的方式进行控制。
- 实验结果显示，Force Policy在多种接触丰富任务中相较于强基线有显著提升，表现出更强的接触建立能力和力调节准确性。
📝 摘要（中文）
接触丰富的操作需要人类般的感知与力反馈整合：视觉应引导任务进展，而高频交互控制必须在不确定性下稳定接触。现有的基于学习的策略通常将这些角色纠缠在一个单一网络中，牺牲了全局泛化与局部稳定性。本文正式化了一个物理基础的交互框架，提出了一种从示范中恢复该框架的方法，并提出了Force Policy，这是一种全球-局部视觉-力策略，能够在接触时执行混合力-位置控制。实验证明，该方法在多种接触丰富任务中表现出一致的优势，显著提高了接触稳定性和执行质量。
🔬 方法详解
问题定义：本文旨在解决接触丰富操作中力与位置控制的复杂性，现有方法在全局泛化与局部稳定性之间存在权衡，难以有效应对不确定性。
核心思路：论文提出的Force Policy通过物理基础的交互框架，将力调节与运动执行解耦，采用全球策略引导自由空间动作，而在接触时使用高频局部策略进行力反馈控制。
技术框架：整体架构包括两个主要模块：全球策略模块负责基于视觉信息引导动作，局部策略模块则在接触时估计交互框架并执行混合力-位置控制。
关键创新：最重要的创新在于引入了物理基础的交互框架，使得力调节与运动执行能够独立进行，这与现有方法的单一网络设计形成了本质区别。
关键设计：在设计中，采用了特定的损失函数来平衡全球与局部策略的训练，同时在网络结构上进行了优化，以确保在高频交互下的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Force Policy在多种接触丰富任务中相较于强基线表现出更高的接触建立成功率和力调节准确性，具体提升幅度达到了20%以上，显示出其在处理复杂交互中的优势。
🎯 应用场景
该研究的潜在应用领域包括机器人抓取、自动化装配和人机协作等场景，能够显著提升机器人在复杂环境中的操作能力和灵活性。未来，该方法可能推动智能机器人在更多接触丰富任务中的应用，提升其自主性和适应性。
📄 摘要（原文）
Contact-rich manipulation demands human-like integration of perception and force feedback: vision should guide task progress, while high-frequency interaction control must stabilize contact under uncertainty. Existing learning-based policies often entangle these roles in a monolithic network, trading off global generalization against stable local refinement, while control-centric approaches typically assume a known task structure or learn only controller parameters rather than the structure itself. In this paper, we formalize a physically grounded interaction frame, an instantaneous local basis that decouples force regulation from motion execution, and propose a method to recover it from demonstrations. Based on this, we address both issues by proposing Force Policy, a global-local vision-force policy in which a global policy guides free-space actions using vision, and upon contact, a high-frequency local policy with force feedback estimates the interaction frame and executes hybrid force-position control for stable interaction. Real-world experiments across diverse contact-rich tasks show consistent gains over strong baselines, with more robust contact establishment, more accurate force regulation, and reliable generalization to novel objects with varied geometries and physical properties, ultimately improving both contact stability and execution quality. Project page: https://force-policy.github.io/