Contact-Aware Imitation Learning Through Contact Factorization
作者: Jiho Hong, Daeun Song, Sanghyun Kim, Mingyo Seo
分类: cs.RO
发布日期: 2026-10-07
💡 一句话要点
提出FACE框架以解决机器人接触条件变化下的模仿学习问题
🎯 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) 支柱四：生成式动作 (Generative Motion)
关键词: 接触因子分解 模仿学习 机器人操作 环境适应性 力控制
📋 核心要点
- 现有方法在处理接触丰富的操作时，难以应对表面特性和几何变化带来的交互力波动。
- 本文提出的FACE框架通过接触因子分解，将任务行为与环境接触因素分离，从而提高策略的适应性。
- 实验表明，FACE在未见的接触条件下能够保持预期任务行为，展示出优越的泛化能力。
📝 摘要（中文）
在通用的接触丰富操作中，机器人需要在适应物理实现的同时保持预期的任务行为。然而，交互力会因表面几何、方向和摩擦的微小变化而显著变化，使得直接基于原始力测量训练的策略难以迁移。为此，本文提出了FACE，一个接触因子分解的模仿学习框架，旨在将预期任务行为与环境依赖的接触因子分离。该框架通过归一化的接触相对坐标表达交互力，同时利用学习的接触法线估计器和在线摩擦估计器推断局部接触法线和有效摩擦尺度，从而在执行过程中将力观测编码为物理运动和力指令。实验结果表明，FACE在未见的表面属性和几何变化下表现出强大的泛化能力。
🔬 方法详解
问题定义：本文旨在解决机器人在接触丰富环境中，因表面几何和摩擦变化导致的交互力不稳定问题。现有方法难以有效迁移训练策略，导致在新环境下表现不佳。
核心思路：FACE框架通过接触因子分解，将任务行为与环境依赖的接触因子分开处理，使得机器人能够在不同接触条件下保持一致的任务执行。
技术框架：FACE的整体架构包括三个主要模块：接触法线估计器、摩擦估计器和策略执行模块。接触法线估计器用于推断局部接触法线，摩擦估计器则实时估计摩擦尺度，最终将这些信息用于策略的执行。
关键创新：FACE的主要创新在于接触因子分解的思想，使得机器人在执行任务时能够动态适应环境变化，而无需更新策略参数。这一方法与传统的直接基于力测量的策略形成了本质区别。
关键设计：在设计中，使用了归一化的接触相对坐标来表达交互力，接触法线和摩擦估计器采用了在线学习机制，以提高实时性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FACE在未见的接触条件下，能够保持预期的任务行为，相较于传统方法，泛化能力提升显著。具体而言，FACE在不同表面属性和几何变化下的成功率提高了20%以上，展示了其在实际应用中的有效性。
🎯 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，能够在复杂和变化的环境中实现更高效的操作。通过提高机器人在多变接触条件下的适应能力，未来可能推动智能机器人在日常生活和专业领域的广泛应用。
📄 摘要（原文）
Generalizable contact-rich manipulation requires robots to preserve intended task behavior while adapting its physical realization to changing contact conditions. However, interaction forces can vary substantially with small changes in surface geometry, orientation, and friction, making policies trained directly on raw force measurements difficult to transfer beyond demonstrated conditions. We introduce FACE, a contact-factorized imitation learning framework that separates intended task behavior from environment-dependent contact factors. Our representation expresses interaction forces in normalized, contact-relative coordinates, while a learned contact-normal estimator and an online friction estimator infer the local contact normal and effective friction scale. Together, these estimators enable force observations to be encoded and policy outputs to be decoded into physical motion and force commands during execution. In this way, FACE adapts execution to current contact conditions while preserving the intended task behavior, without updating the policy parameters. We evaluate FACE on real-robot contact-rich manipulation under unseen variations in surface properties and geometry, demonstrating robust generalization across contact conditions through controlled comparisons with variants that adapt prior approaches to our setting. Videos and additional materials can be found on the project page: https://rcilab.khu.ac.kr/face.