Mixture of Flow Matching and Particle Filter for Proprioception-Based Online Contact Estimation
作者: Seo Wook Han, Min Jun Kim
分类: cs.RO
发布日期: 2026-10-21
备注: Author accepted manuscript; 21 pages (including a cover page), 21 figures, 5 tables
期刊: IEEE Transactions on Robotics, vol. 42, pp. 3646-3665, 2026
💡 一句话要点
提出ContactFlowFilter以解决机器人接触估计问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 接触估计 粒子滤波 生成模型 机器人技术 本体感知 流匹配模型 多模态信念 时间依赖性
📋 核心要点
- 现有方法在处理多模态解、时间依赖性和接触事件时存在显著不足，难以实现准确的接触估计。
- ContactFlowFilter通过将生成模型与粒子滤波框架结合，解决了多模态信念跟踪和接触事件检测的问题。
- 在实际实验中，ContactFlowFilter在单接触和双接触场景下的误差分别为0.36 cm和0.88 cm，表现出优越的性能。
📝 摘要（中文）
本文提出了一种新颖的接触估计方法ContactFlowFilter，该方法能够确定活跃接触的数量、位置及相关的力向量。我们考虑了一个配备关节扭矩传感器和基座力/扭矩传感器的机器人操作臂，这种仅依赖本体感知的设置面临着多模态解、状态演变的时间依赖性以及接触事件的离散性等挑战。现有的方法，如粒子滤波器和基于学习的方法，往往难以同时应对这些挑战。为此，ContactFlowFilter将生成模型整合到粒子滤波框架中，利用粒子滤波的递归结构捕捉时间依赖性，同时流匹配模型作为辅助提议分布来跟踪多模态信念并检测接触事件。广泛的仿真和实际实验验证了该方法的有效性。
🔬 方法详解
问题定义：本文旨在解决机器人在仅依赖本体感知的情况下进行接触估计的逆问题。现有方法如粒子滤波器和学习方法在处理多模态解、时间依赖性和接触事件时存在局限性。
核心思路：ContactFlowFilter的核心思路是将生成模型整合到粒子滤波框架中，利用递归结构捕捉时间依赖性，同时通过流匹配模型作为辅助提议分布来跟踪多模态信念并检测接触事件。
技术框架：该方法的整体架构包括粒子滤波器的递归更新过程和流匹配模型的辅助提议分布。粒子滤波器负责状态的时间演变，而流匹配模型则用于处理多模态信念的跟踪。
关键创新：ContactFlowFilter的主要创新在于将生成模型与粒子滤波结合，能够有效地同时处理多模态解和时间依赖性，这是现有方法所无法实现的。
关键设计：在设计中，关键参数包括粒子数量、流匹配模型的结构以及损失函数的选择，这些设计确保了模型在实际应用中的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ContactFlowFilter在实际环境中与目标分布的相似度最低，单接触和双接触场景下的误差分别为0.36 cm和0.88 cm，处理速度为0.69 ms和2.69 ms，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括机器人抓取、自动化装配和人机交互等场景。通过提高接触估计的准确性，ContactFlowFilter能够显著提升机器人在复杂环境中的操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
In this article, we propose ContactFlowFilter, a novel approach for contact estimation that determines the number of active contacts, their locations, and the associated force vectors. We consider a robot manipulator equipped with joint torque sensors and a base force/torque sensor; such a proprioceptive-only setup presents a challenging inverse problem characterized by (i) multi-modality from non-unique solutions, (ii) temporal dependencies in state evolution, and (iii) discrete contact events involving contact addition/removal. Existing approaches, such as particle filters (PFs) and learning-based methods, often struggle to address these challenges simultaneously. To overcome this, ContactFlowFilter integrates a generative model into the PF framework. The recursive structure of the PF captures temporal dependencies, while the flow matching model serves as an auxiliary proposal distribution to track multi-modal beliefs and detect contact events. Extensive validation in both simulation and real-world experiments confirms the effectiveness of the proposed method. In real-world settings, ContactFlowFilter achieves the lowest dissimilarity from the target distribution, with errors of only 0.36 cm and 0.88 cm for single- and dual-contact scenarios, respectively, while operating at 0.69 ms and 2.69 ms.