Intent-guided Adaptive Stiffening for Visuomotor Policies under Unknown Resistance
作者: Francesco Cufino, Carmela Mariniello, Mario Selvaggio, Andreas Sochopoulos, Fabio Ruggiero
分类: cs.RO
发布日期: 2026-10-13
备注: Submitted to ICRA 2027
💡 一句话要点
提出意图引导自适应刚度以解决未知阻力下的操控问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人操控 视觉运动策略 动态刚度调整 未知阻力 自动化系统
📋 核心要点
- 现有的生成视觉运动策略无法有效应对未知阻力，导致在高摩擦环境下的操控任务难以完成。
- 本文提出了一种残余刚度层，通过监测策略命令与实际运动之间的差异来动态调整刚度，增强了操控能力。
- 在拧开瓶盖和推动T型螺母的实验中，该方法成功率显著提高，同时减少了不必要的力输出，表现优异。
📝 摘要（中文）
操控任务如拧开瓶盖或在表面上滑动部件需要在高摩擦方向施加力量，机器人必须克服阻力而非屈服。生成的视觉运动策略预测任务的运动，但未能预测实现所需的力量。本文提出了一种残余刚度层，能够在不需要力传感的情况下，通过识别策略命令的运动与机器人实际运动之间的差异来感知阻力。该方法在两个实际任务中表现出色，成功率从52%提升至90%，且在相同阻力下产生的峰值偏离力减少了61%。
🔬 方法详解
问题定义：本文旨在解决在未知阻力环境下，机器人操控任务的成功率低的问题。现有的生成视觉运动策略未能考虑实现任务所需的力量，导致在高摩擦情况下无法完成任务。
核心思路：论文提出了一种残余刚度层，该层在不需要额外力传感的情况下，通过识别策略命令与实际运动之间的差异来动态调整刚度，从而增强机器人在操控任务中的表现。
技术框架：整体架构包括一个未修改的生成策略和一个附加的刚度调整层。该层通过四种模式的监督机制，根据策略的动作块动态调整刚度，并在任务进行时保持调整，任务完成后再释放。
关键创新：最重要的技术创新在于引入了残余刚度层，能够在不需要合规标签、重训练或重新收集演示的情况下，实时调整刚度以应对未知阻力。这一设计显著提升了任务的成功率。
关键设计：该方法不依赖于额外的力传感器，而是通过策略命令与实际运动的匹配程度来判断阻力。设计中没有复杂的合规标签或重训练过程，使得该方法在实际应用中更加灵活和高效。
🖼️ 关键图片
📊 实验亮点
在两个实际任务中，本文提出的方法成功率从52%提升至90%，同时在相同阻力条件下，产生的峰值偏离力减少了61%。这一显著提升表明，残余刚度层在应对未知阻力时的有效性和优势。
🎯 应用场景
该研究的潜在应用领域包括工业机器人、服务机器人以及任何需要在复杂环境中进行物体操控的自动化系统。通过提高机器人在未知阻力下的操控能力，能够显著提升其在实际应用中的效率和可靠性，具有广泛的市场价值和未来影响。
📄 摘要（原文）
Manipulation tasks such as unscrewing a cap or sliding a part in contact with a surface require imposing force along a high-friction direction: the robot must overcome a resistance rather than yield to it. Generative visuomotor policies predict the motion for such tasks but not the authority needed to realize it, and that authority is bounded by the impedance controller beneath them: when the resistance exceeds what a compliant controller can exert under a bounded tracking error, the task is unattainable however accurate the prediction is. The required amount cannot be anticipated either, since it depends on a contact state the observation does not reveal. In this paper, we propose a residual stiffening layer placed underneath an unmodified policy. Resistance is recognized, without force sensing, from the mismatch between the motion the policy commands and the motion the robot realizes, and a four-mode supervisor raises the stiffness along a single direction read off the policy's own action chunk, retains it while the task progresses and releases it afterwards. The layer needs no compliance labels, no retraining and no re-collected demonstrations. On two real tasks, unscrewing a bottle cap and pushing a T-nut along a T-slot groove against non-homogeneous friction, evaluated at six resistance levels of which two were withheld from the demonstrations, the layer raises the success rate from 52% to 90% while producing 61% less peak off-axis force than a uniformly stiff controller at the same resistance.