Learning a Resolution-Consistent Jacobian Field for Bio-Inspired Rigid-Soft Finger

📄 arXiv: 2610.01668v1 📥 PDF

作者: Tianyou Liang, Haisen Zeng, Shanjun Chen, YiMing Zhu, Zhongyue Lu, Zirong Luo

分类: cs.RO

发布日期: 2026-10-01

备注: 27 pages, 8 figures, including supplementary material. Under review at Robotics and Autonomous Systems

💡 一句话要点

提出Jacobian流匹配方法以解决生物启发的刚柔指控制问题

🎯 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: 生物启发 刚柔指 Jacobian流匹配 运动预测 非线性建模 条件流匹配 机器人控制

📋 核心要点

  1. 现有的Jacobian基于控制方法在处理生物启发的刚柔指时，存在对传感器和控制器频率敏感的问题。
  2. 提出Jacobian流匹配（JFM）框架，通过学习分辨率一致的Jacobian场，解决了传统方法的局限性。
  3. 实验表明，JFM方法在单步预测和长时间预测中均显著提高了准确性，RMSE降低幅度超过53%。

📝 摘要（中文）

生物启发的腱驱动刚柔耦合灵巧手指具有强非线性和配置依赖的敏感性，使得准确建模变得具有挑战性。在离散时间控制中，基于Jacobian的运动学算法通常依赖于逐点局部线性近似，这使得其性能对传感器采样频率和控制器更新频率非常敏感。为了解决这一问题，本文提出了一种基于条件流匹配的Jacobian流匹配（JFM）结构化学习框架，以学习一个分辨率一致的Jacobian场，将驱动到运动的转变建模为动态流。实验结果表明，该方法显著抑制了异常值误差，提高了单步预测的准确性，全球平均RMSE相比基线方法降低了超过53%。

🔬 方法详解

问题定义：本文旨在解决生物启发的腱驱动刚柔指的建模难题，现有方法在非线性和配置依赖性方面表现不佳，导致控制精度低下。

核心思路：提出Jacobian流匹配（JFM）框架，通过条件流匹配学习一个分辨率一致的Jacobian场，以动态流的形式建模驱动与运动之间的关系，从而提高模型的准确性和鲁棒性。

技术框架：JFM框架包括数据采集、Jacobian场学习和ODE积分三个主要模块。首先，通过传感器数据采集手指的运动信息；然后，利用条件流匹配技术学习Jacobian场；最后，通过ODE积分实现单步和连续的运动预测。

关键创新：JFM的核心创新在于将Jacobian建模视为动态流的学习过程，克服了传统方法中对局部线性近似的依赖，从而提高了模型在不同时间分辨率下的一致性和准确性。

关键设计：在模型设计中，采用了适应性损失函数以平衡不同时间步长的预测误差，同时优化了网络结构以提高学习效率，确保了在稀疏采样条件下的高保真度预测。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，JFM方法在单步预测中将全球平均RMSE降低了超过53%，在长时间预测中，经过ODE积分恢复的轨迹在稀疏采样下RMSE中位数降低了14.43%，误差方差降低了24.87%，展现了其优越的性能。

🎯 应用场景

该研究的潜在应用领域包括机器人手指控制、医疗康复设备以及人机交互系统等。通过提高刚柔指的控制精度，能够显著提升这些领域中机器人的灵活性和适应性，未来可能推动更复杂的机器人操作和智能设备的发展。

📄 摘要（原文）

Bio-inspired tendon-driven rigid-soft coupled dexterous fingers exhibit strong nonlinearity and configuration-dependent sensitivity, making accurate modeling challenging. In discrete-time control, Jacobian-based kinematic algorithms typically rely on point-wise local linear approximations, which makes their performance sensitive to sensor sampling frequency and controller update frequency. To address this issue, we propose Jacobian Flow Matching (JFM), a structured learning framework based on Conditional Flow Matching (CFM), to learn a resolution-consistent Jacobian field that models actuation-to-motion transitions as a dynamical flow. The proposed framework supports both single-step prediction and continuous rollout via ODE integration, enabling consistent inference across temporal resolutions. Experiments on a tendon-driven rigid-soft finger show that the proposed method suppresses outlier errors and improves single-step prediction accuracy, reducing the global average RMSE by over 53% compared with a baseline discrete Jacobian learning approach. For long-horizon prediction, trajectories recovered via ODE integration achieve higher fidelity under sparse sampling (Stride = 8), reducing the RMSE median by 14.43% and the error variance by 24.87%. These results demonstrate that the learned flow-based Jacobian field provides an effective local model for offline multi-step trajectory optimization in rigid-soft coupled nonlinear systems.