Physics Residual Dynamics and Reduced Order Whole-Body Planning for Obstacle Aware Human Robot Cloth CoTransportation
作者: Moein Forouhar, Kosar Behnia, Anirvan Dutta, Hamid Sadeghian, Ville Kyrki, Sami Haddadin, Gokhan Alcan, Eckehard Steinbach
分类: cs.RO
发布日期: 2026-10-05
💡 一句话要点
提出一种层次化规划框架以解决人机协作运输中的障碍物识别问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人机协作 可变形物体 动态预测 路径规划 机器学习 机器人控制 物理建模
📋 核心要点
- 现有的人机协作运输方法在处理可变形物体时，难以有效预测物体在运动过程中的变形，导致障碍物清除不充分。
- 本文提出了一种结合学习布料模型与降阶全身模型的层次化规划框架，利用物理残差条件递归变分自编码器进行布料配置预测。
- 在四个协同运输场景和两种搬运速度下，提出的框架实现了布料与障碍物的有效清除，最终布料变形从0.93米减少到0.28米。
📝 摘要（中文）
人机协作运输可变形物体需要在运动过程中预测物体变形，因为障碍物的清除依赖于抓取点和未驱动内部。本文提出了一种层次化规划框架，将学习的布料模型与双臂移动操控器的降阶全身模型相结合。通过学习对计算高效的线性物理模型的残差修正，物理残差条件递归变分自编码器（p-cRVAE）从抓取点观察中预测完整的布料配置，限制了在40步规划范围内的误差积累。预测的布料动力学被嵌入到模型预测路径积分（MPPI）规划器中，使用保留非完整基座约束和臂工作空间限制的降阶表示。随后，MPC层将采样运动精炼为平滑、可执行的全身控制参考。降阶公式在计算时间减少约80%的同时，实现了与完整17自由度模型相当的跟踪性能。
🔬 方法详解
问题定义：本论文旨在解决人机协作运输中可变形物体的动态预测问题，现有方法在处理物体变形和障碍物清除时存在误差积累和碰撞风险。
核心思路：提出了一种层次化规划框架，通过物理残差条件递归变分自编码器（p-cRVAE）来学习布料的动态特性，并将其嵌入到模型预测路径积分（MPPI）规划器中，以提高预测精度和规划效率。
技术框架：整体架构包括三个主要模块：首先，p-cRVAE用于从抓取点观察中预测布料的完整配置；其次，MPPI规划器利用降阶模型进行路径规划；最后，MPC层对采样的运动进行平滑处理，生成可执行的控制参考。
关键创新：最重要的技术创新在于通过学习残差修正来提高物理模型的预测精度，显著减少了误差积累，并且降阶模型在计算效率上优于传统的全模型方法。
关键设计：在模型设计中，采用了降阶表示以保持非完整基座约束和臂工作空间限制，损失函数设计上注重减少预测误差，网络结构则基于递归变分自编码器的框架进行优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的框架在四个协同运输场景中成功保持了布料与障碍物的清除，且在两种搬运速度下，最终布料变形从0.93米减少到0.28米，相较于基线方法显著降低了碰撞风险。
🎯 应用场景
该研究的潜在应用领域包括人机协作机器人在制造、物流和服务行业中的可变形物体运输。通过提高机器人在复杂环境中的操作能力，能够显著提升工作效率和安全性，未来可能推动智能机器人在更多实际场景中的应用。
📄 摘要（原文）
Human--robot co-transportation of deformable objects requires predicting object deformation during motion, since obstacle clearance depends on both the grasp points and the unactuated interior. We present a hierarchical planning framework that combines a learned cloth model with a reduced-order whole-body model of a dual-arm mobile manipulator. A physics-residual conditional recurrent variational autoencoder (p-cRVAE) predicts the full cloth configuration from grasp-point observations by learning a residual correction to a computationally efficient linearized physics model, limiting error accumulation over 40-step planning horizon. The predicted cloth dynamics are embedded in a model predictive path integral (MPPI) planner using a reduced-order representation of a dual-arm mobile manipulator that preserves the non-holonomic base constraint and arm workspace limits. An MPC layer subsequently refines the sampled motion into smooth, executable references for whole-body control. The reduced-order formulation achieves tracking performance comparable to the full 17-DoF model while reducing computation time by approximately 80%. Across four co-transportation scenarios and two carrying speeds, the proposed framework maintains cloth-obstacle clearance where a corner-following baseline results in collisions, while whole-body refinement reduces final cloth deformation from 0.93\,m to 0.28\,m.