Residual Fault Adaptation for Dexterous In-Hand Manipulation Under Runtime Joint Faults

📄 arXiv: 2609.17404v1 📥 PDF

作者: Linan Deng, Xing Liu, Lin Hong, Feng Hua, Guijun Ma, Zuogong Yue, Fumin Zhang

分类: cs.RO

发布日期: 2026-09-15

💡 一句话要点

提出残余故障适应方法以解决灵巧手操作中的运行时关节故障问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 灵巧手操作 故障适应 机器人控制 递归策略 故障注入 自适应采样 性能提升

📋 核心要点

  1. 现有方法在灵巧手操作中对运行时关节故障的适应能力不足，导致操作性能下降。
  2. 本文提出的残余故障适应（RFA）框架通过冻结健康教师和训练递归残余策略来补偿隐性故障。
  3. 仿真和实际机器人实验表明，RFA在故障条件下显著提高了操作性能，验证了其有效性。

📝 摘要（中文）

灵巧的手内操作需要多个驱动关节的协调控制，而运行时的关节故障可能会突然中断成功操作所需的接触配置。本文提出了一种残余故障适应（RFA）框架，用于补偿隐性指令通道故障。RFA保留一个冻结的健康教师以提供标准行为，并训练一个递归残余策略，从本体感知和指令响应历史中推断纠正动作。在训练过程中，故障注入领域随机化（FIDR）变化故障模式、受影响的关节、严重程度和发生时间，同时自适应采样增加与较低近期表现相关的故障模式的频率。冻结的直接FIDR策略仅在故障活跃的训练样本上提供分布参考，并在部署中缺失。仿真实验表明，RFA在固定混合故障协议下相较于健康策略提高了操作性能。实际机器人实验进一步展示了学习到的适应策略的零-shot 部署。

🔬 方法详解

问题定义：本文旨在解决灵巧手操作中由于运行时关节故障导致的性能下降问题。现有方法在面对突发故障时缺乏有效的适应机制，无法保证操作的连续性和稳定性。

核心思路：论文提出的残余故障适应（RFA）框架通过保留一个健康教师模型来提供标准行为，并训练一个递归残余策略以推断纠正动作，从而实现对隐性故障的补偿。

技术框架：RFA框架包括两个主要模块：冻结的健康教师模型和递归残余策略。训练过程中使用故障注入领域随机化（FIDR）来模拟不同的故障情况，并通过自适应采样来增强对低性能故障模式的关注。

关键创新：RFA的主要创新在于结合了冻结教师模型与递归策略的训练，能够在没有故障标签和控制切换信号的情况下实现故障补偿，显著提高了灵巧手在故障条件下的操作能力。

关键设计：在训练过程中，采用了故障注入领域随机化（FIDR）技术，调整故障模式、受影响的关节及其严重程度。同时，自适应采样策略用于增加低性能故障模式的出现频率，以提高训练的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RFA在固定混合故障协议下，相较于传统健康策略，操作性能提高了显著的百分比。此外，实际机器人实验验证了学习到的适应策略能够实现零-shot 部署，进一步证明了其有效性。

🎯 应用场景

该研究的潜在应用领域包括机器人手术、精密装配和人机协作等场景，能够在运行时故障发生时保持操作的稳定性和可靠性。未来，该方法有望推广到更广泛的机器人系统中，提高其在复杂环境中的适应能力。

📄 摘要（原文）

Dexterous in-hand manipulation requires coordinated control of multiple actuated joints, and a runtime joint fault can abruptly disrupt the contact configuration required for successful manipulation. In this work, we propose residual fault adaptation (RFA), a teacher-anchored framework for compensating for hidden command-channel faults. RFA retains a frozen healthy teacher to provide nominal behavior and trains a recurrent residual policy to infer corrective actions from proprioceptive and command-response history. During training, fault-injection domain randomization (FIDR) varies the fault mode, affected joint, severity, and onset time, while adaptive sampling increases the frequency of fault modes associated with lower recent performance. A frozen Direct FIDR policy provides a distributional reference only on fault-active training samples and is absent from deployment. The deployed controller receives neither fault labels nor controller-switching signals. Simulation experiments on the dexterous hand indicate that RFA can improve manipulation performance relative to the healthy policy under a fixed mixed-fault protocol. Real-robot experiments with software-injected faults further demonstrate zero-shot deployment of the learned adaptation policy.