Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring

📄 arXiv: 2604.06133v1 📥 PDF

作者: Krzysztof Wojciechowski, Ege Gursoy, Arthur Haffemayer, Sebastien Kleff, Vincent Bonnet, Florent Lamiraux, Nicolas Mansard

分类: cs.RO

发布日期: 2026-04-07

备注: Accepted to ICRA 2026

💡 一句话要点

提出一种基于扩散模型引导的力反馈MPC方法，用于机器人去毛刺任务。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 力反馈控制 模型预测控制 扩散模型 机器人去毛刺 碰撞避免

📋 核心要点

  1. 传统MPC在接触式工业任务中忽略实时力反馈，难以处理碰撞约束下的复杂任务，如去毛刺。
  2. 该方法融合扩散模型和力反馈MPC，扩散模型提供运动先验，MPC保证安全执行和精确力跟踪。
  3. 实验证明，该方法在复杂配置和障碍物约束下，实现了可靠的刀具插入、精确的力跟踪和去毛刺运动。

📝 摘要（中文）

本文提出了一种集成了力反馈模型预测控制（MPC）与基于扩散的运动先验的框架，用于解决扭矩控制机器人执行接触式工业任务时面临的挑战，特别是碰撞约束下的去毛刺任务。传统的MPC方法通常忽略实时力反馈，难以应对此类任务。该方法利用扩散模型作为运动策略的记忆，为多个任务实例提供鲁棒的初始化和适应性，同时MPC确保安全执行，显式地进行力跟踪、扭矩可行性验证和避障。在扭矩控制机械臂上进行的工业去毛刺任务验证了该方法的有效性，实验表明即使在难以触及的配置和障碍物约束下，也能实现可靠的刀具插入、精确的法向力跟踪和圆形去毛刺运动。据我们所知，这是首次将扩散运动先验与力反馈MPC相结合，用于具有碰撞感知的接触式工业任务。

🔬 方法详解

问题定义：论文旨在解决扭矩控制机器人执行工业去毛刺任务时，传统模型预测控制（MPC）方法难以有效利用实时力反馈、难以处理碰撞约束，以及难以生成复杂运动轨迹的问题。现有方法在接触式任务中表现不佳，尤其是在需要精确力控制和避障的场景下，例如在难以触及的配置中进行去毛刺。

核心思路：论文的核心思路是将扩散模型学习到的运动先验知识融入到力反馈MPC框架中。扩散模型能够学习到各种运动策略，为MPC提供良好的初始轨迹和适应性，从而克服传统MPC在复杂任务中初始化困难的问题。力反馈MPC则负责保证轨迹的安全性和精确性，通过显式地进行力跟踪、扭矩可行性验证和避障，确保任务的可靠执行。

技术框架：该框架主要包含两个核心模块：基于扩散模型的运动先验模块和力反馈MPC模块。首先，扩散模型通过学习大量的运动数据，生成运动策略的先验分布。然后，MPC模块利用这些先验信息进行轨迹优化，同时考虑力反馈信号、扭矩约束和碰撞避免。整个流程可以概括为：扩散模型生成初始轨迹 -> MPC进行优化和调整 -> 机器人执行优化后的轨迹 -> 力传感器反馈力信息 -> MPC根据力反馈调整轨迹，形成闭环控制。

关键创新：该论文最关键的创新在于将扩散模型与力反馈MPC相结合，用于解决接触式工业任务中的复杂控制问题。与传统的MPC方法相比，该方法能够利用扩散模型学习到的运动先验知识，提高MPC的鲁棒性和适应性。此外，该方法还显式地考虑了力反馈信号，从而能够实现更精确的力控制。

关键设计：在扩散模型方面，论文可能采用了某种条件扩散模型，例如基于Transformer的架构，以学习运动轨迹的条件分布。在MPC方面，论文可能采用了二次规划（QP）求解器，以优化轨迹并满足各种约束条件。损失函数可能包含力跟踪误差、扭矩约束违反量和碰撞惩罚项。具体的参数设置和网络结构等技术细节需要在论文中进一步查找。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在工业去毛刺任务中表现出色，即使在难以触及的配置和障碍物约束下，也能实现可靠的刀具插入和精确的法向力跟踪。具体性能数据（例如力跟踪误差、任务完成时间等）需要在论文中查找。该方法与传统MPC方法相比，在鲁棒性和适应性方面有显著提升。

🎯 应用场景

该研究成果可广泛应用于自动化制造领域，尤其是在需要精确力控制和避障的机器人任务中，例如：精密装配、打磨抛光、去毛刺等。该方法能够提高机器人操作的灵活性和鲁棒性，降低人工干预的需求，从而提高生产效率和产品质量。未来，该方法还可扩展到其他接触式任务，例如医疗手术机器人。

📄 摘要（原文）

Model Predictive Control (MPC) is widely used for torque-controlled robots, but classical formulations often neglect real-time force feedback and struggle with contact-rich industrial tasks under collision constraints. Deburring in particular requires precise tool insertion, stable force regulation, and collision-free circular motions in challenging configurations, which exceeds the capability of standard MPC pipelines. We propose a framework that integrates force-feedback MPC with diffusion-based motion priors to address these challenges. The diffusion model serves as a memory of motion strategies, providing robust initialization and adaptation across multiple task instances, while MPC ensures safe execution with explicit force tracking, torque feasibility, and collision avoidance. We validate our approach on a torque-controlled manipulator performing industrial deburring tasks. Experiments demonstrate reliable tool insertion, accurate normal force tracking, and circular deburring motions even in hard-to-reach configurations and under obstacle constraints. To our knowledge, this is the first integration of diffusion motion priors with force-feedback MPC for collision-aware, contact-rich industrial tasks.