FP2: Equipping Robotic Foundation Models with Force Control
作者: Hongjie Fang, Shirun Tang, Junjian Hu, Shidong Zhang, Derek Zhang, Linhao Chen, Dehai Li, Mingyu Mei, Wanxi Liu, Cewu Lu, Shiquan Wang
分类: cs.RO
发布日期: 2026-09-29
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出FP2以解决机器人基础模型在力控制中的挑战
🎯 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: 机器人基础模型 力控制 物理交互 任务适应 高频反馈 动作生成 接触丰富环境 智能机器人
📋 核心要点
- 现有的机器人基础模型在复杂的物理交互中表现不佳，尤其是在接触丰富的环境中，力控制的可靠性不足。
- FP2通过将任务适应的RFM与高频力控制策略相结合，实现了有效的力调节，同时保持了动作生成的能力。
- 实验结果显示，FP2在四个真实任务中均显著提升了任务性能和力调节质量，优于传统的基础策略和其他基线方法。
📝 摘要（中文）
机器人基础模型（RFM）在通用操作中越来越强大，但在接触丰富的环境中实现可靠的物理交互仍然具有挑战性。我们提出FP2，这是一种轻量级的下游接口，能够为任务适应的RFM提供显式的力控制，同时保留其动作生成能力。FP2采用了动作调节分解：任务适应的RFM作为基础策略，负责任务级别的动作生成，而高频力控制策略则专注于交互调节。FP2通过压缩基础策略的上下文表示，并结合扭矩和本体感觉历史，来预测结构化的力控制参数。我们在四个真实世界的接触丰富操作任务中评估了FP2，结果表明FP2在任务性能和力调节质量上均优于相应的基础策略，并且与代表性的力感知和力控制基线相比表现良好。消融实验进一步表明，基础策略上下文和物理反馈对于有效的力调节是互补的，同时保留基础策略的动作生成提高了效率和新物体的泛化能力。
🔬 方法详解
问题定义：本论文旨在解决机器人基础模型在接触丰富环境中进行可靠物理交互的挑战，现有方法在力控制方面存在不足，导致操作不稳定。
核心思路：FP2的核心思路是通过动作调节分解，将任务适应的RFM作为基础策略用于动作生成，同时引入高频力控制策略专注于交互调节，以实现更精确的力控制。
技术框架：FP2的整体架构包括两个主要模块：任务适应的RFM作为基础策略生成任务级别的动作，和高频力控制策略用于实时调节力的应用。FP2通过压缩基础策略的上下文表示，结合扭矩和本体感觉历史，来预测力控制参数。
关键创新：FP2的主要创新在于将基础策略的上下文信息与物理反馈结合，形成了一种新的力调节机制，这与现有方法的单一策略设计形成了显著区别。
关键设计：在设计中，FP2采用了特定的损失函数来优化力控制参数的预测，并通过高频率的反馈机制来提高力调节的实时性和准确性。
🖼️ 关键图片
📊 实验亮点
FP2在四个接触丰富的操作任务中均表现出显著的性能提升，任务性能和力调节质量均优于基础策略，且在与其他力感知和力控制基线的比较中表现良好。消融实验表明，基础策略上下文和物理反馈的结合显著提高了力调节的有效性。
🎯 应用场景
FP2的研究成果在机器人操作、自动化制造、医疗机器人等领域具有广泛的应用潜力。通过提高机器人在复杂环境中的力控制能力，FP2能够显著提升机器人在实际任务中的表现，推动智能机器人技术的进步与应用。
📄 摘要（原文）
Robotic foundation models (RFMs) are increasingly capable of general-purpose manipulation, yet reliable physical interaction remains challenging in contact-rich settings. We present FP2, a lightweight downstream interface that equips task-adapted RFMs with explicit force control while preserving their action-generation capability. FP2 adopts an action-regulation decomposition: the task-adapted RFM serves as a foundation policy responsible for task-level action generation, while a high-frequency force control policy focuses solely on interaction regulation. To condition force regulation on the ongoing manipulation, FP2 compresses foundation-policy contextual representations and combines them with wrench and proprioceptive histories to predict structured force-control parameters. We evaluate FP2 with four RFM backbones across four real-world contact-rich manipulation tasks. FP2 consistently improves task performance and force regulation quality over the corresponding foundation policies, while comparing favorably with representative force-aware and force-control baselines. Ablations further show that foundation-policy context and physical feedback are complementary for effective force regulation, while preserving foundation-policy action generation improves both efficiency and novel-object generalization. Project website: http://force-policy.github.io/fp2