TEAR: Task-Evidence Authority Routing for Robotic Manipulation
作者: Shicheng Zhang, Hui Liu, Haoliang Li
分类: cs.RO
发布日期: 2026-10-22
备注: 9 pages
💡 一句话要点
提出TEAR以解决机器人操作中的控制权分配问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人操作 控制权分配 人机协作 动态网络 自主控制 任务语义 网络状态
📋 核心要点
- 现有方法在面对语义模糊和不可预见的情况时，难以保持稳定的控制权，导致操作失败。
- TEAR框架通过结合人类遥控和本地自主控制的优势，动态分配控制权，提升操作的可靠性。
- 实验结果显示，TEAR在多种动态网络条件下，成功率显著提高，减少了对人类控制的依赖。
📝 摘要（中文）
在实际部署的机器人操作中，可靠性不仅依赖于强大的控制器。随着执行条件的变化，系统必须在线决定哪个控制源应当掌握控制权。人类遥控能够适应接触丰富和语义模糊的情况，但依赖于稳定的通信链接。TEAR（任务-证据控制权路由）框架在机器人端进行仲裁，利用网络状态证据和任务语义证据来动态分配人类遥控和本地自主控制的权威。实验结果表明，TEAR在动态网络条件下的任务成功率接近纯遥控，同时将遥控控制步骤限制在19.8%-27.4%之间，相较于仅依赖自主执行，成功率提升了30%-40%。
🔬 方法详解
问题定义：本论文旨在解决机器人操作中控制权分配的问题，现有方法在面对语义模糊和长时间漂移时，往往无法保持稳定的控制，导致操作失败。
核心思路：TEAR框架通过实时评估网络状态和任务语义，动态决定人类遥控与本地自主控制的权威分配，从而提高操作的可靠性和灵活性。
技术框架：TEAR的整体架构包括两个主要模块：网络状态证据模块和任务语义证据模块。前者评估遥控的可用性，后者判断自主执行是否与当前任务一致。系统通过一个轻量级的时间仲裁器来协调这两种证据，决定控制权的转移时机。
关键创新：TEAR的最大创新在于将人类遥控与本地自主控制的互补性结合，通过动态路由控制权，显著提升了操作的成功率。这种方法与传统的单一控制源方法有本质区别。
关键设计：在设计上，TEAR采用了轻量级的时间仲裁器，能够实时监测机器人状态和当前控制权，确保在合适的时机进行控制权的转移。
🖼️ 关键图片
📊 实验亮点
实验结果表明，TEAR在动态网络条件下的任务成功率接近纯遥控，同时将遥控控制步骤限制在19.8%-27.4%之间，相较于仅依赖自主执行，成功率提升了30%-40%。这些结果展示了互补控制权路由在机器人操作中的潜力。
🎯 应用场景
TEAR框架具有广泛的应用潜力，特别是在需要人机协作的复杂环境中，如灾后救援、工业自动化和服务机器人等领域。通过提升机器人在动态环境中的操作可靠性，TEAR能够减少对人类操作者的依赖，提高工作效率和安全性。
📄 摘要（原文）
Reliable robotic manipulation in field-deployed settings requires more than executing a capable controller. As the execution conditions change, the system must decide, online and on the robot side, which control source should hold authority. Human teleoperation adapts readily to contact-rich and semantically ambiguous situations but depends on a stable communication link. Local autonomy is executed without continuous human intervention, but may fail under semantic ambiguity, long-horizon drift, and unforeseen contingencies. These two control sources exhibit complementary reliability profiles. We formulate this complementarity as a control authority routing problem and present Task-Evidence Authority Routing for Robotic Manipulation (TEAR), an edge-deployable framework that allocates authority between human teleoperation and local autonomy. TEAR arbitrates on the robot side using network-state evidence, which governs the usability of teleoperation, and task-semantic evidence, which reflects whether autonomous execution remains consistent with the current task. A lightweight temporal arbitrator observes both forms of evidence together with robot state and current authority to time authority transfers. Across simulated and real-world trials under dynamic network conditions, TEAR achieves task success rates close to pure teleoperation while limiting teleoperation to 19.8-27.4% of control steps and improves success by 30-40% over autonomy-only execution in our settings. These results demonstrate the potential of complementary authority routing to sustain successful manipulation with substantially reduced dependence on continuous human control.