Context-Aware Force Estimation for Deformable Tool Manipulation in Robotic Environmental Swabbing via Few-Shot Continual Adaptation
作者: Siavash Mahmoudi, Chaitainya Kuppar Reddy, Yang Tian, Dongyi Wang
分类: cs.RO
发布日期: 2026-07-08
💡 一句话要点
提出基于上下文感知的力估计方法以解决机器人表面擦拭中的接触力估计问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人技术 接触力估计 柔性工具 数据驱动方法 少样本学习 上下文感知 LSTM网络 鲁棒性提升
📋 核心要点
- 现有方法在柔性工具操作中面临接触力估计不准确的问题，尤其是在复杂和变化的环境中。
- 论文提出了一种数据驱动的框架，通过本体感知传感器实现接触力估计，避免了物理模型的依赖。
- 实验结果显示，该方法在九种不同的工具-表面交互中，零样本估计误差降低了63%，显著提升了鲁棒性。
📝 摘要（中文）
机器人表面擦拭需要柔性工具与异质环境之间的持续交互，准确估计工具尖端接触力对一致的采样性能至关重要。然而，柔性工具的动态特性引入了非线性粘弹性滞后，使得手腕安装的力测量与真实接触力脱耦。本文提出了一种数据驱动的框架，通过本体感知传感来估计接触力，无需明确的物理模型或永久嵌入的传感器。通过对时间模型的比较评估，确定了一个紧凑的LSTM架构，达到了最低的估计误差和亚毫秒的推理延迟。为了解决在未见表面和工具柔性条件下的泛化问题，提出了一种参数隔离的少样本适应策略，利用特征线性调制（FiLM）增强冻结的递归骨干网络。实验结果表明，该方法在九种工具-表面交互模式下显著提高了鲁棒性，零样本估计误差降低了63%。
🔬 方法详解
问题定义：本文旨在解决在机器人表面擦拭过程中，柔性工具的接触力估计不准确的问题。现有方法由于工具动态特性和传感器限制，难以提供可靠的接触力测量。
核心思路：论文的核心思路是利用本体感知传感器，通过数据驱动的方法进行接触力估计，而不依赖于复杂的物理模型或永久嵌入的传感器。通过引入少样本适应策略，增强模型对新环境的适应能力。
技术框架：整体架构包括一个紧凑的LSTM网络作为基础模型，通过特征线性调制（FiLM）技术引入低维上下文嵌入，形成一个增强的递归网络。该框架能够在不同的工具和表面条件下进行有效的力估计。
关键创新：最重要的技术创新在于提出了参数隔离的少样本适应策略，使得模型能够在未见环境中进行有效的泛化，同时避免了灾难性遗忘现象。
关键设计：在网络设计中，采用了紧凑的LSTM结构以降低推理延迟，并通过特征线性调制实现上下文信息的有效融合。损失函数的设计则侧重于减少估计误差，确保模型在不同条件下的鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的方法在九种工具-表面交互模式下，零样本估计误差降低了63%，显著提高了模型在不同环境下的鲁棒性，同时保持了基线性能，避免了灾难性遗忘。
🎯 应用场景
该研究的潜在应用领域包括医疗机器人、清洁机器人以及其他需要在复杂环境中进行精确操作的机器人系统。通过提高接触力估计的准确性，能够显著提升机器人在实际应用中的表现和安全性，未来可能推动更多智能机器人在动态环境中的应用。
📄 摘要（原文）
Robotic surface swabbing requires sustained interaction between a compliant tool and heterogeneous environments, where accurate estimation of tip-level contact force is critical for consistent sampling performance. However, deformable tool dynamics introduce nonlinear viscoelastic hysteresis that decouples wrist-mounted force measurements from true contact forces, while tool-integrated sensors are impractical for deployment due to sterility and disposability constraints. This paper presents a data-driven framework for contact force estimation in Deformable Tool Manipulation (DTM) that leverages proprioceptive sensing without requiring explicit physical models or permanent embedded sensing hardware at the tool tip. A recurrent architecture is first identified through a comparative evaluation of temporal models, where a compact LSTM achieves the lowest estimation error and sub-millisecond inference latency. To address generalization across unseen surfaces and tool compliance conditions, we introduce a parameter-isolated few-shot adaptation strategy that augments a frozen recurrent backbone with low-dimensional context embeddings using feature-wise linear modulation (FiLM). Experiments on a UR5e platform across nine tool-surface interaction regimes demonstrate that the proposed approach significantly improves robustness under domain shift, reducing zero-shot estimation error by up to 63\% while preserving baseline performance without catastrophic forgetting. These results show that separating shared deformation-history dynamics from domain-specific conditioning enables reliable force estimation for DTM in non-stationary environments.