Multifingered force-aware control for humanoid robots

📄 arXiv: 2603.08142v1 📥 PDF

作者: Pasquale Marra, Gabriele M. Caddeo, Ugo Pattacini, Lorenzo Natale

分类: cs.RO

发布日期: 2026-03-09

备注: This work has been accepted for publication in ICRA 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种力感知的多指控制方法，用于人形机器人稳定操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 多指控制 力感知 触觉传感器 力估计

📋 核心要点

  1. 现有方法在人形机器人多指操作中，难以有效利用触觉信息进行力控制和力分配，导致操作不稳定。
  2. 该论文提出一种基于力估计的控制方案，通过调整机器人躯干、手臂、手腕和手指的运动，实现稳定的力分配。
  3. 实验结果表明，该方法在平衡任务和多物体操作中均取得了较好的成功率和准确率，验证了其有效性。

📝 摘要（中文）

本文提出了一种用于多指手机器人平台的力感知控制和力分配方法。给定目标任务和来自触觉传感器的力估计，我们设计了一个控制器，该控制器可以调整躯干、手臂、手腕和手指的运动，重新分配力以保持与不同质量分布或不稳定接触物体的稳定接触。为了估计力，我们使用五个Xela磁传感器与压头交互，收集触觉信号和真实力测量的数据集，并训练力估计器。然后，我们引入了一种基于模型的控制方案，该方案最小化压力中心（CoP）与指尖接触多边形质心之间的距离。由于我们的方法依赖于估计的力而不是原始触觉信号，因此它有可能应用于任何能够进行力估计的传感器。我们在五个物体的平衡任务中验证了我们的框架，成功率达到82.7％，并在多物体场景中进一步评估了它，准确率达到80％。代码和数据可在https://github.com/hsp-iit/multifingered-force-aware-control 找到。

🔬 方法详解

问题定义：人形机器人多指操作中，如何利用触觉传感器获取的力信息，实现对物体的稳定抓取和操作，尤其是在物体质量分布不均匀或接触不稳定的情况下。现有方法通常依赖于原始触觉信号，难以泛化到不同的传感器和任务中。

核心思路：该论文的核心思路是，首先通过触觉传感器数据训练力估计器，然后基于估计的力设计一个控制方案，该方案能够调整机器人的运动，重新分配力，从而保持与物体的稳定接触。这种方法将原始触觉信号转换为力估计，提高了控制器的泛化能力。

技术框架：整体框架包括以下几个主要模块：1) 数据采集模块：使用Xela磁传感器收集触觉信号和真实力测量的数据集。2) 力估计模块：训练力估计器，将触觉信号转换为力估计。3) 控制器设计模块：设计基于模型的控制方案，最小化压力中心（CoP）与指尖接触多边形质心之间的距离。4) 运动规划模块：调整躯干、手臂、手腕和手指的运动，实现力的重新分配。

关键创新：该论文的关键创新在于，提出了一种基于力估计的控制方案，该方案能够将原始触觉信号转换为力估计，从而提高了控制器的泛化能力。此外，该论文还提出了一种基于模型的控制方案，该方案能够最小化压力中心（CoP）与指尖接触多边形质心之间的距离，从而实现稳定的力分配。

关键设计：力估计器采用机器学习方法进行训练，具体模型结构和训练参数未知。控制方案的关键在于最小化压力中心（CoP）与指尖接触多边形质心之间的距离，这可以通过优化算法实现。具体的优化目标函数和约束条件未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文在平衡任务中取得了82.7%的成功率，并在多物体场景中取得了80%的准确率。这些结果表明，该方法能够有效地利用触觉信息进行力控制和力分配，从而实现稳定的抓取和操作。

🎯 应用场景

该研究成果可应用于人形机器人操作、工业自动化、医疗机器人等领域。例如，在复杂环境下，机器人可以利用该方法稳定抓取和操作物体，完成装配、搬运等任务。此外，该方法还可以用于开发具有触觉感知能力的假肢，帮助残疾人更好地完成日常生活。

📄 摘要（原文）

In this paper, we address force-aware control and force distribution in robotic platforms with multi-fingered hands. Given a target goal and force estimates from tactile sensors, we design a controller that adapts the motion of the torso, arm, wrist, and fingers, redistributing forces to maintain stable contact with objects of varying mass distribution or unstable contacts. To estimate forces, we collect a dataset of tactile signals and ground-truth force measurements using five Xela magnetic sensors interacting with indenters, and train force estimators. We then introduce a model-based control scheme that minimizes the distance between the Center of Pressure (CoP) and the centroid of the fingertips contact polygon. Since our method relies on estimated forces rather than raw tactile signals, it has the potential to be applied to any sensor capable of force estimation. We validate our framework on a balancing task with five objects, achieving a $82.7\%$ success rate, and further evaluate it in multi-object scenarios, achieving $80\%$ accuracy. Code and data can be found here https://github.com/hsp-iit/multifingered-force-aware-control.