Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration

📄 arXiv: 2610.18848v1 📥 PDF

作者: Xian Nie, Yujie Zang, Yuhang Zheng, Yupeng Zheng, Songen Gu, Wendi Chen, Chuan Wen, Cewu Lu, Wenchao Ding, Junchi Yan, Shuicheng Yan

分类: cs.RO

发布日期: 2026-10-13

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出接触轨迹提示以解决单次演示的接触丰富行为转移问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 接触轨迹提示 机器人学习 物理交互 行为转移 单次演示 闭环控制 运动模仿

📋 核心要点

  1. 现有方法在处理接触丰富行为时，无法有效区分相似动作下的不同交互强度或模式，导致学习效果不佳。
  2. 论文提出的接触轨迹提示（CTP）框架，通过编码单次演示中的运动和接触信息，实现了一次性转移接触丰富的操作行为。
  3. CTP在真实世界任务中表现出色，整体成功率达到78.7%，相比最强基线提升了13个百分点，展示了其有效性。

📝 摘要（中文）

上下文机器人学习使机器人能够从演示中获取新行为，而无需在测试时更新参数。然而，仅依靠视觉和运动学规范无法区分共享相似动作但需要不同交互强度或模式的接触丰富行为。我们提出了接触轨迹提示（CTP），这是一个用于一次性转移接触丰富操作行为的框架。CTP将来自单次演示的运动和接触信息编码为有序的接触轨迹提示，捕捉其时间演变并指定所需的物理交互行为。在执行过程中，策略利用在线传感器反馈从提示中检索与交互相关的信息，从而在闭环行动生成中以演示的接触行为为条件。CTP在排除训练的物体上进行的真实世界擦拭、旋转和插入任务中实现了78.7%的整体成功率，超越了最强基线13个百分点。仅更改参考演示即可使CTP遵循接触强度和方向的规范，包括中等擦拭力和顺时针或逆时针的旋盖旋转。这些结果表明，接触轨迹作为有效的行为规范，扩展了上下文机器人学习，从运动模仿到物理交互转移。

🔬 方法详解

问题定义：本论文旨在解决在上下文机器人学习中，如何从单次演示中有效转移接触丰富的操作行为。现有方法在处理相似动作时，无法区分不同的交互强度或模式，导致学习效果受限。

核心思路：CTP框架通过将运动和接触信息编码为有序的接触轨迹提示，捕捉行为的时间演变，并在执行过程中利用在线反馈进行闭环控制，从而实现对接触行为的有效转移。

技术框架：CTP的整体架构包括三个主要模块：信息编码模块、提示生成模块和执行控制模块。信息编码模块负责从演示中提取运动和接触信息，提示生成模块将这些信息组织为接触轨迹提示，执行控制模块则根据在线反馈生成相应的操作。

关键创新：CTP的主要创新在于将接触轨迹作为行为规范，扩展了上下文学习的应用范围，使其不仅限于运动模仿，而是能够实现物理交互的转移。这一设计使得机器人能够在不同的任务中灵活调整接触强度和方向。

关键设计：在CTP中，关键参数包括接触轨迹的时间分辨率和运动特征的提取方式。此外，损失函数设计上考虑了接触行为的准确性和实时反馈的整合，以确保生成的动作与演示保持一致。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CTP在真实世界的擦拭、旋转和插入任务中取得了78.7%的整体成功率，超越了最强基线13个百分点。这一结果表明，CTP在接触丰富行为的转移上具有显著优势，展示了其在实际应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括家庭服务机器人、工业自动化和人机协作等场景。通过有效转移接触丰富的操作行为，机器人能够更好地适应复杂的物理交互任务，提高工作效率和灵活性。未来，该方法有望推动机器人在动态环境中的自主学习能力。

📄 摘要（原文）

In-context robot learning enables robots to acquire new behaviors from demonstrations without test-time parameter updates. However, visual and kinematic specifications alone may not distinguish contact-rich behaviors that share similar motions but require different interaction intensities or patterns. We propose Contact Trajectory Prompting (CTP), a framework for one-shot transfer of contact-rich manipulation behaviors. CTP encodes motion and contact information from a single demonstration into an ordered contact trajectory prompt that captures their temporal evolution and specifies the desired physical interaction behavior. During execution, the policy uses online sensory feedback to retrieve interaction-relevant information from the prompt, conditioning closed-loop action generation on the demonstrated contact behavior. Across real-world wiping, rotation, and insertion tasks on objects excluded from training, CTP achieves 78.7% overall success, outperforming the strongest evaluated baseline by 13.0 percentage points. Changing only the reference demonstration enables CTP to follow contact specifications for both intensity and direction, including an intermediate wiping force level and clockwise or counterclockwise cap rotation. These results demonstrate that contact trajectories serve as effective behavioral specifications, extending in-context robot learning beyond motion imitation to physical interaction transfer. Project website: https://ctp-robotics.github.io/project_page.