CoPRE: Improving Sensitivity in Proprioceptive Contact Detection for Low-Cost Robot Arms
作者: Yuxiao Zhu, Jinzhou Li, Yifei Dong, Muhammad Suhail, Chunyuan Yang, Xinyuan Luo, Haoyu Li, Boyuan Chen, Xianyi Cheng
分类: cs.RO
发布日期: 2026-09-23
💡 一句话要点
提出CoPRE以提高低成本机器人臂的自我感知接触检测灵敏度
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自我感知 接触检测 机器人臂 低成本机器人 本体感知 运动适应 力传感器
📋 核心要点
- 现有低成本机器人臂在没有专用传感器的情况下，难以准确检测微弱接触，导致操作灵活性不足。
- CoPRE通过分析本体状态历史和指令运动，估计无接触情况下的关节扭矩，从而提高接触检测的灵敏度。
- 实验结果显示，CoPRE在接触检测上的召回率显著提高，且在施加特定推力时的检测率达到90%。
📝 摘要（中文）
在机器人操作中，接触检测使机器人能够识别意外接触并相应调整运动。然而，在没有专用力或触觉传感器的低成本机器人臂中，从本体感知中检测微弱接触是具有挑战性的。本文提出了一种无接触本体响应估计方法（CoPRE），通过仅使用无接触运动来提高本体感知接触检测的灵敏度。CoPRE通过从本体状态历史和指令运动中估计无接触运动下的预期关节扭矩，并去除可能已经反映接触的近期观察，计算预期与观察到的关节扭矩估计之间的残差，并使用加权雅可比映射该残差到接触评分。实验结果表明，CoPRE在接触试验中分别在ARX臂和Unitree G1上实现了74.1%和82.2%的召回率，显著优于基线方法。
🔬 方法详解
问题定义：本文旨在解决低成本机器人臂在缺乏专用力或触觉传感器时，如何有效检测微弱接触的问题。现有方法在本体感知信号中，微小变化常常被运动噪声掩盖，导致接触检测失败。
核心思路：CoPRE的核心思想是通过分析机器人在无接触状态下的运动数据，估计预期的关节扭矩，并与实际观测值进行比较，从而识别接触。此方法不依赖额外的传感器或复杂的动力学模型，具有较高的实用性。
技术框架：CoPRE的整体架构包括三个主要模块：首先，利用本体状态历史和指令运动估计预期关节扭矩；其次，去除近期可能反映接触的观测数据；最后，计算预期与实际关节扭矩之间的残差，并通过加权雅可比映射该残差到接触评分。
关键创新：CoPRE的主要创新在于其无接触运动的使用，使得在没有额外传感器的情况下，仍能有效提高接触检测的灵敏度。这一方法与传统依赖于力传感器的接触检测方法本质上不同。
关键设计：在设计中，CoPRE采用了噪声加权的雅可比矩阵来映射残差，这一设计使得在存在运动噪声的情况下，仍能保持较高的检测准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，CoPRE在ARX臂和Unitree G1上分别实现了74.1%和82.2%的接触检测召回率，相较于基线方法的0%和16.3%有显著提升。此外，在施加3.5 N和5.5 N的推力下，CoPRE的检测率达到90%。
🎯 应用场景
该研究的潜在应用领域包括低成本机器人操作、自动化制造和服务机器人等。通过提高接触检测的灵敏度，机器人能够更灵活地适应复杂环境，提升操作效率和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Contact detection during robotic manipulation allows robots to recognize unexpected contact and adapt their motion accordingly. However, in low-cost robot arms without dedicated force or tactile sensors, detecting weak contacts from proprioception is challenging because the resulting changes in joint-level proprioceptive signals can be small compared to normal variation and noise caused by robot motion itself. We introduce Contact-free Proprioceptive Response Estimation (CoPRE), improving proprioceptive contact detection sensitivity using only contact-free motion, without additional force sensors, contact labels, or analytical dynamics models. CoPRE estimate the expected joint torques under contact-free motion from proprioceptive state history and commanded motion, while removing recent observations that may already reflect contact. It then computes the residual between the expected and observed joint torque estimates, and maps this residual to a contact score using a noise-weighted Jacobian. Real-robot experiments on ARX Arm and Unitree G1 show that CoPRE achieves 74.1% and 82.2% recall on the tested contact trials, compared with 0%/0% on ARX and 16.3%/42.2% on G1 for the learned torque-prediction and inverse-dynamics baselines. CoPRE also reaches 90% detection rate for pushing force at 3.5 N on ARX and 5.5 N on G1. To demonstrate the downstream utility of our method, we implement belief-space manipulation planning for obstacle-aware object placement and book insertion where detected contacts update the spatial belief and enable the robot to retreat from blocked motions, adjust its pose, and retry. Project website at https://copre-arm.github.io