论文导读
意大利理工学院与卡耐基梅隆大学等机构提出Imp-ACT，让机械臂不仅学会“手该走到哪里”，也学会碰到物体时“该有多硬、多会让”。操作者演示任务时，系统同步记录动作与自动调节的刚度，再用ACT一起学习。在论文的擦拭实验中，接触力震颤相对高刚度基线约降低180倍；插头装配的横向受力也更小，为精细接触操作提供了更柔顺的路径。
会走轨迹，不一定会碰东西
让机械臂拿起物体和让它沿着表面擦拭，是两种难度。前者更关注末端位置，后者必须持续接触，还要控制用力方向。如果机械臂始终很“硬”，稍有位置误差就可能猛烈挤压桌面或插座；如果一直很“软”，又可能擦不动、插不进。人手会在推动方向保持力量，同时对侧向障碍适当退让，普通只学习动作轨迹的模仿策略并不会自动掌握这种差别。
论文的实验装置包含机械臂、腕部与后方摄像头、力传感器和远程操作者。图中操作者戴着头显进行演示，机械臂在桌面完成任务。这里的人不是直接教每一瞬间的刚度值；系统在演示过程中根据运动方向自动调节，并把调节结果和看到的图像、动作一起存下来。
图：操作者远程演示桌面任务，机械臂同步使用视觉与受力传感器。
把“力度习惯”也放进模仿学习
Imp-ACT建立在动作分块模型ACT之上。原来的模仿学习可以预测末端位置和夹爪动作，新方法再预测沿运动方向的刚度。模型从摄像头、机械臂自身状态和受力信息中判断下一段操作。关键不是让网络凭空猜出一个“舒适力度”，而是在收集示范时就用自调节控制器实际执行这种柔顺动作，因此训练数据与部署时的接触方式更一致。
方法图左侧表示演示阶段：控制器一边跟随人的动作，一边计算适合当前方向的刚度并记录。右侧表示部署阶段：模型利用学习到的信息给出动作和刚度，机械臂再按这个设定与环境接触。对于不熟悉“阻抗控制”的读者，可以把它理解为改变机械臂遇阻时是顶住还是退让的手感。
图：左侧采集动作及自适应刚度示范，右侧由ACT预测操作与接触参数。
180倍下降意味着什么
论文在擦拭和插头插入任务中，比较了固定低刚度、固定高刚度与Imp-ACT。擦拭时，相对于低刚度方案，接触力震颤约减少29倍；相对于高刚度方案，约减少180倍。插头任务里，垂直于插入方向的受力相对较好的固定刚度基线减少43%。这些是特定实验装置和指标下的比较，不等于所有机械臂的总磨损或损坏率下降同样倍数。
结果图分上下两行展示擦拭与插入任务，既有成功率，也有平均和最大接触力等数据。Imp-ACT在维持可比或更好任务成功率的同时，降低了不必要的力和震颤。值得注意的是，低力不是唯一目标：若为了柔顺而失去完成任务的能力，系统仍然不实用。因此团队同时报告完成率与接触行为。
图：擦拭和插头插入实验中，三种控制方式的成功率与接触力指标对照。
从实验台走向精密作业
对电子装配、表面清洁和易碎物体操作来说，机械臂需要的是“该用力时用力、碰偏时会退”的能力。Imp-ACT的启发在于，将这种接触习惯纳入示范和模型预测，而不是在学完动作后另贴一层固定控制参数。论文目前只在所报告的任务与硬件上验证；更复杂的材质、几何误差和连续作业寿命，仍需下一阶段实验。若能扩展到多任务、多机械臂，它可能成为精细操作系统的一块通用能力。
