Impedance Cloning: Learning Equilibrium Point Parameters for Contact-Rich Manipulation
作者: Hayato Takahashi, Ryoga Oishi, Yuki Kasuga, Toshiaki Tsuji
分类: cs.RO
发布日期: 2026-09-25
备注: 8 pages, 7 figures, 3 tables. Submitted to IEEE Robotics and Automation Letters (RA-L)
💡 一句话要点
提出阻抗克隆以解决接触丰富操作中的不确定性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 阻抗克隆 接触丰富操作 模仿学习 机器人控制 生物力学先验 力调节 参数估计 CRANE-X7
📋 核心要点
- 现有的基于轨迹的模仿学习在面对不确定的接触表面时表现不佳，无法有效调节力。
- 论文提出的阻抗克隆方法通过模仿刚度和静态点来应对接触不确定性，从而提高操作的鲁棒性。
- 实验结果表明，该方法在多种任务中均优于传统的固定阻抗基线，且在取放任务中表现出色。
📝 摘要（中文）
接触丰富的操作要求机器人在面对几何形状不可预测的表面时调节力。基于轨迹的模仿学习在这种情况下失效。我们提出了阻抗克隆方法，该方法模仿生成运动的生物力学先验——刚度和静态点，从而被动吸收接触的不确定性。这些参数编码意图而非结果，因此在轨迹重现失败的表面几何中具有更好的泛化能力。我们通过粒子滤波从双向遥操作演示中提取这些参数，并在两个CRANE-X7操纵器上评估该框架。在一个擦拭任务中，基于轨迹的方法在-6 cm以下失去接触，而我们的方法在-6 cm以上保持4-5 N的接触力，并在以下逐渐减小。在一个包含10种不同杯子的取放任务中，我们的方法成功率为84次，优于固定阻抗基线的74次，并且与可变阻抗控制基线的82次表现相当。
🔬 方法详解
问题定义：本论文旨在解决机器人在接触丰富操作中面对不可预测表面几何时的力调节问题。现有的基于轨迹的模仿学习方法在这种情况下往往失效，导致接触力不稳定。
核心思路：论文提出的阻抗克隆方法通过模仿生成运动的生物力学先验（刚度和静态点），使机器人能够被动适应接触的不确定性。这种方法关注意图而非结果，从而在不同表面几何中实现更好的泛化。
技术框架：整体架构包括从双向遥操作演示中提取刚度和静态点参数的过程，使用粒子滤波算法进行参数估计，随后在CRANE-X7操纵器上进行评估。主要模块包括数据采集、参数提取和任务执行。
关键创新：最重要的技术创新在于通过模仿生物力学先验来实现接触力的调节，这与传统的基于轨迹的模仿学习方法有本质区别，后者依赖于具体的轨迹重现。
关键设计：在参数设置上，采用粒子滤波算法进行无力/扭矩传感器的参数提取，损失函数设计关注于刚度和静态点的准确估计，网络结构则支持多种操作任务的执行。实验中验证了该方法在不同架构下的通用性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在擦拭任务中，基于轨迹的方法在-6 cm以下失去接触，而阻抗克隆方法在-6 cm以上保持4-5 N的接触力。此外，在取放任务中，阻抗克隆方法成功率为84次，优于固定阻抗基线的74次，且与可变阻抗控制基线的82次表现相当，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、工业自动化和医疗机器人等，能够有效提升机器人在复杂环境中的操作能力。通过提高接触力的稳定性，机器人可以更安全地与人类和物体进行交互，未来可能在智能制造和人机协作中发挥重要作用。
📄 摘要（原文）
Contact-rich manipulation requires robots to regulate force against surfaces whose geometry deviates unpredictably from training conditions. Trajectory-based imitation learning, which reproduces observable outputs, breaks down under such shifts. We propose Impedance Cloning, which instead imitates the biomechanical priors that generate motion -- the stiffness and equilibrium point -- and thereby passively absorbs contact uncertainty. Because these parameters encode intent rather than outcome, they generalize across surface geometries where trajectory reproduction does not. We extract them from bilateral teleoperation demonstrations via a particle filter without force/torque sensors and evaluate the framework on two CRANE-X7 manipulators. In a wiping task with joint-space actions, the trajectory-based baseline loses contact below -6 cm, whereas the proposed method maintains a consistent 4-5 N contact force above -6 cm, with a gradual decrease below; with Cartesian-space actions, its force-height slope over 0 to +8 cm is 0.13 +/- 0.03 N/cm, versus 0.34-0.83 N/cm for fixed-impedance baselines. In a pick-and-place task with 10 diverse cups (100 trials), the proposed method succeeds in 84 trials, outperforming the fixed-impedance baseline (74/100) and performing comparably to a variable impedance control baseline (82/100) with one demonstration instead of ten. In a grasping task, the representation reduces torque tracking error with both ILBiT and Mamba backbones, confirming its generality across architectures.