URF: A Unified Robot Control-Policy Framework for Stable Contact Aware Manipulation
作者: Jiyou Shin, Youngjin Seo, Jaeseog Won, Sungwon Seo, Hyunjun Kim, Seokmin Yoon, Tuan Luong, Hyungpil Moon
分类: cs.RO
发布日期: 2026-07-23
备注: 8 pages, 5 figures, 2 tables. Submitted to IEEE Robotics and Automation Letters (RA-L)
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出统一机器人控制策略框架URF以解决接触稳定性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人控制 操作策略 阻抗控制 导纳控制 接触稳定性 多模态观察 学习型控制
📋 核心要点
- 现有的学习型操作策略在刚性接触情况下容易导致不稳定的接触和工具损坏，存在明显的不足。
- 本文提出的URF框架通过连接合规动作预测与阻抗-导纳控制，解决了低级控制器执行不稳定的问题。
- URF在箱子翻转和线压任务中表现出更高的成功率，并有效减少了故障模式，展示了其实际应用潜力。
📝 摘要（中文）
基于学习的操作策略通常从传感器观察中预测机器人动作，并将其执行交给单独的低级控制器。然而，在刚性接触情况下，这种分离可能导致不稳定的接触、跟踪误差、过载或工具损坏。本文提出了一种统一机器人控制策略框架（URF），将合规动作预测与统一阻抗-导纳控制相连接。URF根据多模态观察预测虚拟目标、刚度矩阵和阻抗-导纳切换比。切换比决定了控制器何时应更像导纳控制以实现精确的运动跟踪，以及何时应转向阻抗控制以确保安全的刚性接触。实验表明，URF在箱子翻转和线压任务中实现了更高的任务成功率，同时减少了仅使用导纳执行时观察到的故障模式。
🔬 方法详解
问题定义：本文旨在解决在刚性接触情况下，学习型操作策略与低级控制器分离导致的接触不稳定、跟踪误差和工具损坏等问题。现有方法在处理这些问题时存在明显的不足。
核心思路：URF框架通过将合规动作预测与统一的阻抗-导纳控制相结合，提供了一种新的解决方案。该框架能够根据多模态观察预测虚拟目标、刚度矩阵和阻抗-导纳切换比，从而实现更稳定的操作。
技术框架：URF的整体架构包括三个主要模块：合规动作预测模块、阻抗-导纳控制模块和切换比预测模块。合规动作预测模块负责生成虚拟目标和刚度矩阵，而切换比预测模块则决定控制器的行为模式。
关键创新：URF的主要创新在于其切换比的预测机制，该机制能够根据接触力的测量数据来监督控制器模式的预测。这一设计使得控制器能够在不同的操作场景中自适应调整，从而提高了操作的安全性和稳定性。
关键设计：在URF中，切换比的标签是通过测量的接触力构建的，利用这些标签来监督控制器模式的预测。此外，框架中使用的损失函数和网络结构经过精心设计，以确保在不同任务中的有效性和鲁棒性。
🖼️ 关键图片
📊 实验亮点
在箱子翻转和线压任务中，URF框架实现了显著的性能提升，任务成功率高于传统的仅使用导纳控制的执行方式。具体而言，URF有效减少了快速力建立、大幅力振荡、工具破损和机器人安全停止等故障模式，展示了其在实际操作中的优势。
🎯 应用场景
URF框架具有广泛的潜在应用场景，特别是在需要精确和安全操作的机器人任务中，如工业自动化、医疗机器人和服务机器人等领域。通过提高机器人在复杂环境中的操作稳定性，URF能够显著提升机器人在实际应用中的效率和安全性，推动智能机器人技术的发展。
📄 摘要（原文）
Learning-based manipulation policies usually predict robot actions from sensory observations and leave their execution to a separate low-level controller. In rigid contact, this separation can be problematic: the same motion to a virtual target or compliant motion command can lead to unstable contact, tracking error, excessive loading, or tool damage, depending on the low-level controller. In this paper, we propose a \textit{Unified Robot Control-Policy Framework} (URF), which connects compliant action prediction with unified impedance-admittance control. Given multimodal observations, URF predicts a virtual target, a stiffness matrix, and an impedance-admittance switch ratio. The switch ratio determines when the controller should behave more like admittance control for accurate motion tracking and when it should move toward impedance control for safer rigid contact. Because demonstration data do not provide ground-truth environment stiffness, we construct switch-ratio labels from measured contact forces and use them to supervise controller-mode prediction. Across box-flipping and line-pressing tasks, URF achieves higher task success rates while reducing failure modes observed with admittance-only execution, including rapid force buildup, large force oscillations, tool breakage, and robot safety stops. These results suggest that contact-aware policies benefit from predicting not only compliant actions but also the controller behavior used to execute them. Project page: https://jiyou384.github.io/urf_project_page/