Compliant Non-Prehensile Pushing Manipulation
作者: Francesco Cufino, Mario Selvaggio, Fabio Amadio, Fabio Ruggiero
分类: cs.RO
发布日期: 2026-05-25
💡 一句话要点
提出一种基于模型预测控制的柔顺非抓取推物操作方法，用于人机协作环境。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 非抓取操作 柔顺控制 模型预测控制 阻抗控制 人机协作 无源性 能量罐滤波器
📋 核心要点
- 现有推物方法在人机交互环境中安全性不足，机器人难以适应外部物理交互。
- 论文提出基于模型预测控制的柔顺推物框架，结合阻抗控制和能量罐无源滤波器，保证系统安全性。
- 仿真和实验验证了该方法在人机交互中的被动柔顺性，以及对物体参数变化的鲁棒性。
📝 摘要（中文）
本文致力于解决使用柔顺机器人操作系统执行非抓取推物操作的挑战。为了确保在人机交互环境中的安全操作，机器人必须能够适应外部物理交互并表现出被动行为。为此，我们扩展了一种先进的推物模型，并将其与阻抗控制机器人集成。我们开发了一个基于该模型的模型预测控制框架，通过优化机器人位置/速度设定点来实现柔顺推物，从而共同实现所需的推力以及接触点调整，以获得期望的物体运动。然而，外部交互可能导致跟踪误差，进而可能导致推力无限增加。为了防止这种情况，我们集成了一个能量罐无源滤波器，进一步调节机器人速度设定点，以保证无源性并避免不受控制的能量积累。所提出的方法已在仿真中经过严格测试，并通过两个不同机器人系统的实验进行了验证，展示了人机交互过程中的被动柔顺性，并评估了轨迹跟踪性能和对物体物理参数变化的鲁棒性。
🔬 方法详解
问题定义：论文旨在解决在人机协作环境中，如何安全有效地利用柔顺机器人进行非抓取推物操作的问题。现有方法在处理外部干扰和保证机器人与环境交互的安全性方面存在不足，容易产生过大的作用力，对人和环境造成潜在风险。
核心思路：论文的核心思路是将推物模型与阻抗控制相结合，并通过模型预测控制（MPC）优化机器人的运动轨迹，从而实现期望的物体运动和推力控制。此外，为了保证系统的无源性，防止能量积累，引入了能量罐无源滤波器，进一步调节机器人的速度设定点。
技术框架：整体框架包括以下几个主要模块：1) 推物模型：用于预测物体在推力作用下的运动；2) 阻抗控制器：控制机器人的运动，使其具有一定的柔顺性；3) 模型预测控制器（MPC）：基于推物模型，优化机器人的位置/速度设定点，以实现期望的物体运动；4) 能量罐无源滤波器：监测系统的能量流动，并在必要时调节机器人的速度，以保证系统的无源性。
关键创新：论文的关键创新在于将模型预测控制、阻抗控制和能量罐无源滤波器相结合，实现了一种安全、柔顺的非抓取推物方法。能量罐无源滤波器的引入是保证系统安全性的关键，它可以有效地防止由于外部干扰引起的能量积累。
关键设计：能量罐无源滤波器的设计是关键。它通过监测机器人的输入功率和输出功率，计算能量的积累量。当能量积累超过一定阈值时，滤波器会调节机器人的速度，以降低输入功率，从而保证系统的无源性。MPC控制器的目标函数需要仔细设计，以平衡物体运动的精度和机器人的柔顺性。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和实验验证了所提出方法的有效性。实验结果表明，该方法能够实现对物体的精确轨迹跟踪，并在人机交互过程中表现出良好的被动柔顺性。此外，实验还验证了该方法对物体物理参数变化的鲁棒性，即使在物体质量或摩擦系数发生变化时，机器人也能稳定地完成推物任务。具体性能数据未知。
🎯 应用场景
该研究成果可应用于人机协作的装配、物流、医疗等领域。例如，在装配线上，机器人可以利用柔顺推物操作，安全地将零件推送到指定位置，与工人协同完成装配任务。在医疗领域，机器人可以辅助医生进行手术，通过柔顺的推物操作，避免对患者造成不必要的损伤。未来，该技术有望应用于更广泛的机器人应用场景，提升人机协作的安全性和效率。
📄 摘要（原文）
In this paper, we address the challenge of performing non-prehensile pushing operations with a compliant robotic manipulation system. To ensure safe operations in human-populated environments, robots must comply with external physical interactions and exhibit passive behavior. To achieve this, we extend a state-of-the-art pushing model to integrate it with impedance-controlled robots. We develop a model predictive control framework built upon this model that enables compliant pushing through optimal modulation of the robot's position/velocity set-point, jointly realizing the required pushing force and contact point adaptation to obtain desired object motion. However, external interactions may induce tracking errors, causing a consequent potentially indefinite increase of the pushing force. To prevent this, we integrate an energy tank passivity filter that further modulates the robot velocity set-point to guarantee passivity and avoid uncontrolled energy buildup. The proposed method has been rigorously tested in simulation and validated through experiments on two different robotic systems, demonstrating passive compliance during human-robot interactions and assessing trajectory tracking performance and robustness to variations in the object's physical parameters.