Compliance for Free: Learning Identifiable Impedance via Bilateral Teleoperation
作者: Harsha Guda, Adrià Colomé, Carme Torras
分类: cs.RO
发布日期: 2026-09-17
💡 一句话要点
提出四通道双向遥操作以解决机器人合规性识别问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 合规性识别 双向遥操作 机器人控制 视觉-语言-动作模型 接触力调整
📋 核心要点
- 现有的合规性输出策略依赖于手动指定的任务结构或专用硬件，无法有效记录施力的强度。
- 本文提出四通道双向遥操作，通过使用领导臂作为意图平衡的测量，解决了合规性识别的模糊性问题。
- 在Franka Research 3的擦拭任务中，提出的方法能够根据指令变化调整接触力，表现出显著的性能提升。
📝 摘要（中文）
视觉-语言-动作模型能够指引机器人移动，但无法提供施力的强度，这在接触丰富的任务中尤为重要。现有的演示接口无法有效记录合规性，主要由于可识别性的问题。本文提出了一种四通道双向遥操作的方法，通过将领导臂作为意图平衡的独立测量，直接消除了模糊性，使得每个轴的刚度可以通过回归分析进行识别。该方法无需额外的标注成本，能够在每个时间步生成方向依赖的合规性标签，并在Franka Research 3的擦拭任务中实现了显著的性能提升。
🔬 方法详解
问题定义：本文旨在解决机器人在接触任务中合规性识别的难题。现有方法无法有效区分操作员的意图平衡与其刚度，导致合规性无法被准确记录。
核心思路：论文提出的四通道双向遥操作方法，通过将领导臂作为意图平衡的独立测量，直接消除了合规性识别中的模糊性，从而使得每个轴的刚度可以通过回归分析进行识别。
技术框架：整体架构包括四个主要模块：领导臂的运动捕捉、关节扭矩传感、合规性标签生成和VLA模型的微调。通过这些模块的协同工作，实现了合规性与位姿的联合输出。
关键创新：最重要的创新点在于通过四通道遥操作直接获取合规性信息，避免了依赖于手动标注或专用硬件的局限性。这一方法使得合规性识别变得更加高效和准确。
关键设计：在技术细节上，使用了现有的关节扭矩传感器进行数据采集，设计了适应性损失函数以优化合规性标签的生成，并采用了回归模型来实现刚度的识别。
🖼️ 关键图片
📊 实验亮点
在Franka Research 3的擦拭任务中，提出的方法在接触力的调整上表现出显著的效果，接触力从正常的6.4N提升至9.1N（坚固擦拭），Cohen's d = 0.89，p = 0.023，显示出该策略的有效性和实用性。
🎯 应用场景
该研究在机器人操作、虚拟现实和人机交互等领域具有广泛的应用潜力。通过提高机器人在接触任务中的合规性识别能力，可以显著提升其在复杂环境中的操作精度和灵活性，进而推动智能机器人技术的发展。
📄 摘要（原文）
Vision-language-action models tell a robot where to move, but not how hard to push. Contact-rich tasks depend on that second quantity, compliance, yet no widely used demonstration interface records it. The obstacle is identifiability as realized pose and measured force cannot separate the operator's intended equilibrium from their stiffness, so VR controllers, SpaceMouse and handheld grippers cannot supply compliance supervision even in principle. Prior compliance-output policies work around this with hand-specified task structure, privileged simulation contact state, or dedicated force and tactile hardware. Four-channel bilateral teleoperation removes the ambiguity directly by using the leader arm as a separate measurement of the intended equilibrium, making per-axis stiffness identifiable by regression using only the joint-torque sensing already on the manipulator. This yields per-timestep, direction-dependent compliance labels at zero annotation cost, which we use to fine-tune a VLA to emit stiffness alongside pose. On a Franka Research 3 wiping task, ours is the only policy of five whose contact force changes when the instruction asks for a firm wipe rather than a normal one (6.4N (normal) to 9.1N (firm) RMS, Cohen's d = 0.89, p = 0.023