ContactSDF: Signed Distance Functions as Multi-Contact Models for Dexterous Manipulation
School for Engineering of Matter, Transport and Energy, Arizona State University（亚利桑那州立大学物质、运输与能源工程学院）
本研究提出ContactSDF方法，通过两个有符号距离函数构建可微多接触动力学模型，实现灵巧操作的高效模型学习与控制，经仿真与硬件实验验证，短时间学习即可达成高频高质量操作效果。
2025-03-19 cs.RO
Contact-Implicit Stein Projected ADMM for Discovery of Diverse Contact-Rich Manipulation Strategies
Yale University（耶鲁大学）；University of Sydney（悉尼大学）
本文提出一种结合Stein变分推断的共识ADMM变体，通过施加斥力于分离变量，实现接触丰富操作策略的多样化发现，在推动、抓取和多机器人交接任务中验证了其有效性和简洁性。
2026-09-24 cs.RO
Explicit Contact Optimization in Whole-Body Contact-Rich Manipulation
School of Informatics, The University of Edinburgh, UK（爱丁堡大学信息学院）
针对全身富接触操作的高维接触与运动规划难题，提出机器人表面连续显式表示及分层连续优化方法，显著提升收敛性、规划速度与可行性。
2024-10-15 cs.RO
Simultaneous Trajectory Optimization and Contact Selection for Multi-Modal Manipulation Planning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
针对复杂灵巧操作的多接触变化需求，提出结合STOCS接触隐式优化与采样式树生长规划的混合操作规划器，仅需几十次采样即可生成含抓取、滑动、枢转的多模态轨迹，并经6自由度机械臂验证有效。
2023-06-10 cs.RO
TWINS: A Tactile Wearable Isomorphic Arm Networked System for Contact-Rich Manipulation Learning
National Institute of Advanced Industrial Science and Technology (AIST)（独立行政法人产业技术综合研究所（AIST））
本文提出TWINS触觉可穿戴同构臂联网系统，用于解决现有机器人难以完成身体表面接触操作的问题，通过采集演示数据训练模仿学习策略，实现了身体表面触觉引导的接触丰富操作。
2026-08-04 cs.RO
RMPs for Safe Impedance Control in Contact-Rich Manipulation
Brown University（布朗大学）
操作空间的变阻抗控制是一种很有前途的学习接触丰富的操作行为的方法。这种方法的主要挑战之一是产生确保手臂和环境安全的操纵行为。这种行为通常通过惩罚不安全行为（例如障碍物碰撞，关节限制扩展）的奖励函数来实现，但这种方法并不总是有效，并且不会导致可以在略微不同的环境中重用的行为。我们将展示如何结合黎曼运动策略，一类动态生成运动的安全和碰撞约束的存在下，与可变阻抗操作空间控制学习更安全的接触丰富的操作行为的政策。
2022-03-07 cs.RO
Efficient Gradient-Based Inference for Manipulation Planning in Contact Factor Graphs
Seoul National University（首尔大学）
本文提出接触因子图（CFG）建模接触与动力学约束，并利用可微因子和结构化条件概率开发高效推理算法，实现操控规划中的分布近似与可行解采样。
2025-03-08 cs.RO
Contact Mode Guided Sampling-Based Planning for Quasistatic Dexterous Manipulation in 2D
Carnegie Mellon University（卡内基梅隆大学）
由接触引入的不连续性和多模态使得操纵规划具有挑战性。许多以前的作品避免了这个问题，预先设计了一套高层次的动作原语，如抓和推。然而，这样的运动基元往往不足以描述灵巧的操纵运动。在这项工作中，我们提出了一种方法，灵巧操作规划在一个更原始的水平。其关键思想是使用接触模式，以指导在一个基于抽样的规划框架的搜索。我们的方法可以自动生成接触过渡和准静态假设下的运动轨迹。在实验中，这种方法有时会生成通常预先设计为运动基元的运动，以及更特定于任务的灵巧运动。
2021-05-30 cs.RO
ShapeForce: Low-Cost Soft Robotic Wrist for Contact-Rich Manipulation
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；RoboScience, Shenzhen, China（深圳机器人科学研究院）
ShapeForce是一种低成本软体机器人手腕，通过变形核心和标记跟踪提供力样信号，实现接触密集操控的高效反馈。
2025-12-11 cs.RO
Do Rigid-Body Simulators Dream of Soft Robots? Learning Contact-Rich Manipulation for Tendon-Driven Continuum Robots
University of Toronto（多伦多大学）
针对肌腱驱动连续体机器人缺乏接触丰富操作模拟基础设施的问题，提出基于连续介质力学的离散化方法，将软体机器人原生集成到MuJoCo中，实现仿真到真实世界的零样本迁移。
2026-06-23 cs.RO
Object manipulation through contact configuration regulation: multiple and intermittent contacts
Massachusetts Institute of Technology（麻省理工学院）；Amazon Robotics R&D（亚马逊机器人研发部）
本研究改进基于接触构型调控的未知物体操作方法，通过结合因子图估计框架、有限视觉反馈与力/力矩及本体感知，支持间歇、多接触等复杂交互与更多接触几何形态，拓展了机器人操作任务范围，并通过消融实验明确各反馈的贡献。
2023-10-01 cs.RO
A Thesis on Loco-Manipulation with Non-impulsive Contact-Implicit Planning in a Slithering Robot
Electrical and Computer Engineering（电气与计算机工程学院）
针对蛇形机器人通过运动实现物体操作的问题，本文为 COBRA 提出基于非脉冲式隐式接触路径规划的优化框架，并通过高保真仿真和实验验证其有效性。
2024-05-09 cs.RO
Manipulation via Force Distribution at Contact
Maersk Mc-Kinney Moller Institute（马士基麦金尼·莫勒研究所）；University of Southern Denmark（丹麦南部大学）
本研究提出力分布线接触模型，通过双层优化框架实现高效稳健的接触丰富操控，验证了其在非均匀力分布下生成轨迹的优势。
2026-02-03 cs.RO
Simultaneous Trajectory Optimization and Contact Selection for Contact-rich Manipulation with High-Fidelity Geometry
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
本文提出STOCS方法，通过在迭代轨迹优化过程中动态识别显著接触点和时间，有效减少MPCC的变量与约束，解决了CITO在处理高保真几何体时计算量过大的问题。
2024-07-24 cs.RO
Optimisation of Body-ground Contact for Augmenting Whole-Body Loco-manipulation of Quadruped Robots
University of Edinburgh（爱丁堡大学）
足式机器人具有很大的潜力来执行本地操作任务，但它是具有挑战性的，以保持平衡的机器人，而它与环境的互动。在本文中，我们研究了使用额外的接触点，最大限度地提高鲁棒性的本地操作运动。具体而言，身体-地面接触的研究，以提高四足机器人的鲁棒性和操作能力。我们建议为机器人配备尖头：刚性连接到身体的小腿，以确保身体与地面的接触发生在可控的点接触。这些尖头对鲁棒性的影响通过计算最小不可拒绝力（SUF）来量化，SUF是与可行扳手多边形相关的鲁棒性度量。我们应用SUF评估系统的鲁棒性，并提出了一个有效的近似SUF，可以计算在近实时的速度。我们设计了一个基于分层二次规划的全身控制器，当尖头与地面接触时，控制稳定的相互作用。这种使用尖头的新概念和由此产生的控制框架都在硬件上实现，以验证增强的鲁棒性和新启用的本地操作任务的有效性，例如障碍物清除和大型物体的操作。
2020-02-24 cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California（南加州大学）
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语，如平面推动，驱动对象到所需的位置。在本文中，我们提出了一种新的分层模型预测控制（MPC）的接触优化的操作任务。使用两个级联的MPC，我们分裂的本地操作问题分为两部分：第一，以优化机器人和物体之间的接触力和接触位置，第二，通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象，我们提出的方法可以有效地控制对象的位置和方向，以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
Contact-Implicit Model Predictive Control for Dexterous In-hand Manipulation: A Long-Horizon and Robust Approach
Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）；Institute for Guo Qiang, Tsinghua University（清华大学国强研究院）
本文提出一种接触隐式模型预测控制方法，实现无需预定义接触序列的鲁棒长时域灵巧手内操作，在23自由度旋转任务上以20Hz运行，并泛化至不同物体。
2024-11-07 cs.RO
Manipulation of unknown objects via contact configuration regulation
Massachusetts Institute of Technology（麻省理工学院）
我们提出了一种方法，通过调节对象的接触配置的未知对象的机器人操作：对象，机器人和环境之间的所有接触的位置，几何形状和模式。接触配置约束可以应用于对象的力和运动;然而，合成这些约束通常需要对象的姿势和几何体的知识。我们开发了一个对象不可知的方法来估计和控制，规避这种需要。我们的框架直接估计一组扳手和运动约束，它用来调节接触配置。我们用它来被动地操纵重力平面中的未知平面物体。描述我们工作的视频可以在我们的项目页面上找到：http://mcube.mit.edu/research/contactConfig.html。
2022-06-01 cs.RO
Robust In-Hand Manipulation with Extrinsic Contacts
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对手内操作中参数不确定性导致接触模式易失效的问题，提出结合手爪内力学模型与鲁棒运动锥规划的方法，并通过真实实验验证其在运动学误差下保持外部接触模式的有效性。
2024-03-27 cs.RO
Contact SLAM: An Active Tactile Exploration Policy Based on Physical Reasoning Utilized in Robotic Fine Blind Manipulation Tasks
Research Center for Intelligent Robotics（智能机器人研究中心）；National Key Laboratory of Aerospace Flight Dynamics（航空飞行动力学国家重点实验室）；Shaanxi Province Innovation Team of Intelligent Robotic Technology（陕西省智能机器人技术创新团队）；School of Astronautics, Northwestern Polytechnical University（航空学院，西北工业大学）
本文提出接触SLAM方法，通过触觉传感和先验知识实现接触密集任务中的盲操控，提升探索效率与准确性。
2026-01-26 cs.RO
FoAR: Force-Aware Reactive Policy for Contact-Rich Robotic Manipulation
Shanghai Jiao Tong University（上海交通大学）
针对富接触机器人操作中视觉策略缺乏力反馈的问题，提出力感知反应式策略FoAR，结合高频力/力矩传感与视觉输入，通过未来接触预测器引导的多模态融合机制动态调整数据使用，在多种任务中显著优于基线并保持抗扰动性。
2025-05-02 cs.RO
Should We Learn Contact-Rich Manipulation Policies from Sampling-Based Planners?
New York University（纽约大学）；Boston Dynamics AI Institute（波士顿动力AI研究院）；Georgia Institute of Technology（佐治亚理工学院）；Cornell University（康奈尔大学）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工智能与自然智能研究所）
针对富接触操作示教数据收集困难的问题，提出改进基于采样的规划器数据生成流程，结合基于扩散模型的目标条件BC方法，实现了有效的策略学习与硬件零样本迁移。
2025-04-27 cs.RO
An Adaptive Framework for Reliable Trajectory Following in Changing-Contact Robot Manipulation Tasks
Sunrise Setting Ltd（日出设置有限公司）；SAGE Publications Ltd（SAGE出版有限公司）；University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
我们描述了一个框架，改变接触机器人操作任务，需要机器人与物体和表面接触和断开。这种任务的不连续的交互动力学使得难以构建和使用单个动力学模型或控制策略，并且在接触变化期间动力学的高度非线性性质可能对机器人和物体造成损害。我们提出了一个自适应控制框架，使机器人能够逐步学习，以预测在不断变化的接触任务中的接触变化，学习分段连续系统的相互作用动力学，并提供平滑和准确的轨迹跟踪使用任务空间可变阻抗控制器。我们实验比较我们的框架的性能对代表性的控制方法，以建立我们的框架的自适应控制和增量学习组件需要实现平滑控制中存在的不连续的动态变化接触机器人操作任务。
2021-11-15 cs.RO
A Comparative Analysis of Contact Models in Trajectory Optimization for Manipulation
Northeastern University（东北大学）
本文分析了接触模型对接触隐式轨迹优化的影响。我们考虑了三种不同的方法：（1）基于互补约束的接触模型，（2）光滑接触模型，以及我们提出的方法（3）可变光滑接触模型。我们比较这些模型在模拟中的物理精度，运动质量和计算时间。在每种情况下，通过将所有扭矩变量设置为零来初始化优化过程，即，没有有意义的初始猜测。对于模拟，我们考虑了不同的复杂性为7度的自由度的机器人手臂的推动任务。我们的结果表明，所提出的可变光滑接触模型的基础上的优化提供了一个很好的权衡之间的物理保真度和运动质量的成本增加计算时间。
2018-07-30 cs.RO
Contact Transfer: A Direct, User-Driven Method for Human to Robot Transfer of Grasps and Manipulations
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种新的方法，通过利用接触面积的物体和手之间的直接转移的把握和操作。我们的方法完全保留接触形状，并在现有的技术相比，是不依赖于把握家庭，不需要模型训练或把握采样，使没有假设的机械手形态或运动学，并允许用户控制两个传输参数和解决方案优化。尽管有这些住宿，我们表明，我们的方法是能够在几秒钟内合成运动学上可行的整只手构成，即使是穷人的初始化或难以达到的接触。我们还强调了该方法的好处，在响应设计的变化，以及快速近似在手中的操作序列。最后，我们展示了一个解决方案，我们的方法产生的物理，定制设计的假肢手。
2022-06-02 cs.RO
Complementarity-Free Multi-Contact Modeling and Optimization for Dexterous Manipulation
Arizona State University（亚利桑那州立大学）
本文提出一种无互补性的轻量级多接触模型，用于灵巧操作，通过闭式时间步进和可微性实现高效规划与控制，在多种任务中达到96.5%成功率和高精度。
2025-04-22 cs.RO
Dexterous Contact-Rich Manipulation via the Contact Trust Region
Massachusetts Institute of Technology, USA（麻省理工学院）；RAI Institute (formerly Boston Dynamics AI Institute), USA（RAI研究所）
针对富接触操作中接触动力学局部描述与单边性质不一致的问题，提出 Contact Trust Region (CTR)，据此开发局部 MPC 算法并扩展至全局规划，在仿真与硬件实验中以更低计算成本实现了高效的灵巧操作。
2025-11-03 cs.RO
One-Shot Transfer of Long-Horizon Extrinsic Manipulation Through Contact Retargeting
Stanford University（斯坦福大学）；NVIDIA（英伟达公司）
针对长时序外部操作规划难的问题，提出基于接触重定向的单次迁移方法，通过组合短时序基元的接触约束、结合逆运动学求解目标状态，在硬件实验中取得80.5%的成功率。
2024-04-11 cs.RO
FOMI: A Force-Feedback Manipulation Interface for Teaching Contact-Rich Manipulation
The Hong Kong University of Science and Technology（香港科技大学）；The University of Hong Kong（香港大学）；Robbyant；Southern University of Science and Technology（南方科技大学）
该研究提出名为FOMI的剪刀式力反馈操作界面，构建配套演示采集系统，在四项接触丰富型任务中，其无机器人采集和遥操作效率较最佳基线分别提升约29%、18%，采集的演示可让策略高成功率完成相关任务。
2026-10-15 cs.RO
Experimental Validation of Contact Dynamics for In-Hand Manipulation
Robotics and Biology Laboratory, Technische Universität Berlin（柏林工业大学机器人与生物学实验室）
本文评估国家的最先进的接触模型在预测简单的手机器人操作中所涉及的运动和力。特别是，它集中在三个基本的行动-线性滑动，枢转和滚动-涉及之间的接触，一个刚性的物体，一个夹具，和他们的环境。评估是通过数千个受控实验来完成的，这些实验旨在捕获物体和夹具的运动，以及250 Hz下的所有接触力和扭矩。我们表明，接触建模方法的基础上库仑摩擦定律和最大能量原理是有效的推理相互作用的一阶，但有限的准确预测。我们将主要的局限性归因于1）具有复杂几何形状的多个硬接触的抓握所固有的力分辨率的非唯一性，2）由于接触顺应性而导致的未建模动态，以及3）由于制造缺陷而导致的未建模几何形状。
2017-10-31 cs.RO
Global Planning for Contact-Rich Manipulation via Local Smoothing of Quasi-dynamic Contact Models
Massachusetts Institute of Technology（麻省理工学院）
强化学习（RL）在接触丰富的操作环境中的经验成功，从基于模型的角度来看，还有很多需要理解的地方，其中关键的困难通常归因于（i）接触模式的爆炸，（ii）刚性，非光滑的接触动力学和由此产生的爆炸/不连续梯度，以及（iii）规划问题的非凸性。RL的随机性质通过有效地采样和平均接触模式来解决（i）和（ii）。另一方面，基于模型的方法通过平滑接触动力学分析来解决同样的挑战。我们的第一个贡献是建立简单系统的两种方法的理论等价性，并提供定性和经验等价的一些复杂的例子。为了进一步缓解（ii），我们的第二个贡献是一个凸，微分和准动态制定的接触动力学，这是服从两个平滑计划，并已通过实验证明是非常有效的接触丰富的规划。我们的最终贡献解决（iii），我们表明，经典的基于采样的运动规划算法可以有效地在全球规划时，接触模式通过平滑抽象。将我们的方法应用于一系列具有挑战性的接触丰富的操作任务，我们证明了高效的基于模型的运动规划可以以显着更少的计算量实现与RL相当的结果。视频：https://youtu.be/12Ew4xC-VwA
2023-02-28 cs.RO
Learning When to See and When to Feel: Adaptive Vision-Torque Fusion for Contact-Aware Manipulation
Edwardson School of Industrial Engineering, Purdue University（普渡大学爱德华森工业工程学院）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（德州农工大学扎克里土木与环境工程系）
本文提出适应性视觉-扭矩融合策略，通过比较不同融合方法提升机器人操控性能，实验显示方法在成功率上优于基线14%。
2026-08-11 cs.RO
Contact-Implicit Trajectory Optimization for Dynamic Object Manipulation
ETH Zurich（苏黎世联邦理工学院）；Robotic Systems Lab（机器人系统实验室）
我们提出了一个接触隐式优化（CIO）的方法，计算最佳轨迹的刚体系统在接触丰富的设置。硬接触模型，并施加单边约束的形式的互补条件。采用牛顿碰撞定律，增强了物理正确性。最优控制问题是通过一个多射击计划制定为一个多阶段的计划。这个问题的结构中利用FORCES Pro框架检索最佳的运动计划，接触序列和控制输入，提高计算效率。我们调查我们的方法对各种动态对象的操作任务，由六个自由度机器人。最优轨迹的动态可行性，以及任务满意度的可重复性和准确性通过仿真和实际硬件实验的操作问题之一进行了验证。
2021-03-01 cs.RO
TAO-Force: Unifying Force-Aware Perception and Fast-Slow Control for Contact-Rich Manipulation
China Mobile (Hangzhou) Information Technology Co., Ltd.（中国移动（杭州）信息技术有限公司）
TAO-Force提出力条件化VLA框架，通过F-FiLM融合力感知与接触门控快慢控制，解决接触丰富操作中视觉感知不足和位置控制不柔顺的问题，实验验证其有效性与鲁棒性。
2026-09-17 cs.RO
Region-Based Planning for 3D Within-Hand-Manipulation via Variable Friction Robot Fingers and Extrinsic Contacts
Worcester Polytechnic Institute（伍斯特理工学院）；Imperial College London（伦敦帝国理工学院）
实现机器人手内操纵（WIHM）的尝试通常利用具有精细感测装置的高DOF机器人手或多臂机器人系统。在以前的工作中，我们提出了一个简单的机器人手与可变摩擦机器人手指，它允许一个低复杂度的方法，手内物体的平移和旋转，虽然这种操作仅限于平面动作。在这项工作中，我们扩展了该系统的能力，三维操纵一个新的区域为基础的WIHM规划算法，并利用外部接触。调节手指摩擦力的能力增强了三维WIHM的外在灵活性，并允许我们在准静态水平下操作。基于区域的规划器自动生成具有修改的A* 公式的3D操作序列，该修改的A* 公式导航手指和对象表面之间的接触区域以到达期望的区域。该方法的核心是一组物体运动基元（即手内滑动，旋转和旋转），这可以很容易地通过改变接触摩擦来实现。通过这种方法，可以实现广泛的目标区域，这是通过真实的机器人实验后，标准化的手操作基准协议证明。
2021-05-20 cs.RO
Geodesic Tracing-Based Kinematic Integration of Rolling and Sliding Contact on Manifold Meshes for Dexterous In-Hand Manipulation
本文提出基于测地线追踪的积分方案，将滚滑接触建模扩展到流形网格，实现高保真离散几何上的灵巧手中操作规划，并通过仿真验证其在准确性和精度上优于碰撞检测和原始形状基线。
2025-08-17 cs.RO
ViTaMIn: Learning Contact-Rich Tasks Through Robot-Free Visuo-Tactile Manipulation Interface
Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
针对富接触灵巧操作任务的演示数据收集成本高的问题，研究提出集成视觉触觉的手持无机器人界面ViTaMIn及多模态预训练策略，提升数据效率与任务表现。
2025-09-01 cs.RO
Refine Where It Matters: Contact-Adaptive Meshing for Deformable Object Manipulation
The University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
该研究提出接触自适应网格划分框架，通过GPU并行的局部网格优化提升可变形物体操作的模拟保真度与效率，为接触丰富的模拟应用提供实用基础。
2026-10-14 cs.RO
Stable Prehensile Pushing: In-Hand Manipulation with Alternating Sticking Contacts
Massachusetts Institute of Technology（麻省理工学院）；Department of Mechanical Engineering（机械工程系（不提取，因为系属于细拆））
本文提出了一种方法，在手操纵规划，利用交替粘附接触的力学。特别是，我们考虑的问题，操纵一个掌握的对象使用外部推动的推杆坚持的对象。鉴于物体的物理特性，在接触和所需的重握在对象上的摩擦系数，我们提出了一个基于采样的规划框架，建立一个推动策略连接不同的可行的稳定推动，以实现所需的重握。一个有效的动力学制定，使我们能够计划在手操作100-1000倍，比我们以前的工作，建立在互补性制定。对生成的计划的实验观察表明，对象精确地按照计划者的预期在把握中移动。视频摘要--youtu.be/qOTKRJMx6Ho
2018-03-04 cs.RO
AeRSoM: An Aerial Rigid-Soft Integrated Manipulator for Contact-Rich Manipulation
Hunan University（湖南大学）；National Engineering Research Center for Robot Visual Perception and Control Technology（国家机器人视觉感知与控制技术工程研究中心）；Beihang University（北京航空航天大学）
本文提出空中刚柔集成机械臂AeRSoM，通过分布式具身柔顺与变刚度调节实现稳定飞行、柔顺交互和精确操作，经真实实验验证显著提升交互鲁棒性与任务适应性。
2026-09-24 cs.RO
A Humanoid Visual-Tactile-Action Dataset for Contact-Rich Manipulation
GIST（全州科学技术大学）
针对现有机器人操作数据集对软体物体、多压力场景触觉数据覆盖不足的问题，构建了遥操作采集的人形机器人多模态视觉-触觉-动作数据集，支撑相关模型优化研究。
2025-11-13 cs.RO
Manipulation with Shared Grasping
Carnegie Mellon University（卡内基梅隆大学）；Southern University of Science and Technology（南方科技大学）
共享抓取是由被操纵物体与机器人手和环境之间的接触形成的抓取。通过将手部接触与环境接触进行交换，共享抓握需要较少的手部接触，并且即使在不可能完全抓握的情况下也能够进行操纵。以前的研究已经使用了非易失性操作，如旋转和翻滚的共同掌握。本文处理的问题更一般，与方法来选择最好的共享把握和机器人的行动所需的对象运动。中心问题是评估可行的接触模式：对于每个接触，该接触是否将保持活跃，以及是否会发生滑动。鲁棒性很重要。当接触模式失败时，例如，当失去接触或发生无意的滑动时，操作将失败，并且在某些情况下可能发生损坏。在这项工作中，我们列举了所有可行的接触模式，计算相应的控制，并选择最强大的候选人。我们还可以优化接触几何形状以实现稳健性。本文采用准静态分析的平面刚体库仑摩擦推导的算法和控制。最后，我们在代表性实验和示例中展示了共享抓取的鲁棒性以及我们的方法的使用。该视频可以在https://youtu.be/tyNhJvRYZNk上找到
2020-06-04 cs.RO
Interpretability in Contact-Rich Manipulation via Kinodynamic Images
KTH Royal Institute of Technology（瑞典皇家理工学院）；Chalmers University of Technology（查尔姆斯理工大学）
深度神经网络（NN）已被广泛用于接触丰富的操作任务，以模拟复杂的接触动力学。然而，基于神经网络的模型往往难以破译，这可能导致看似无法解释的行为和无法识别的失败案例。在这项工作中，我们通过引入Kinodynamic图像来解决基于NN的模型的可解释性。我们提出了一种方法，从接触丰富的操作任务的运动学和动态数据创建图像。我们的配方直观地反映了任务的状态，通过编码其kinodynamic的变化和时间演变。通过使用图像作为状态表示，我们使以前仅限于基于视觉的任务的可解释性模块的应用程序。我们使用这种表示来训练基于卷积的网络，并使用Grad-CAM（一种产生视觉解释的技术）提取模型决策的解释。我们的方法是通用的，可以应用于任何分类问题，在操作中使用同步功能，以直观地解释哪些部分的输入驱动模型的决策，并区分其故障模式。我们评估这种方法的两个例子，现实世界中的接触丰富的操纵：推和切割，已知和未知的对象。最后，我们证明了我们的方法可以对任务中的序列进行详细的视觉检查，以及对模型的行为和趋势进行高级别的评估。这项工作的数据和代码可以在https://github.com/imitsioni/interpretable_manipulation上获得。
2021-02-23 cs.RO
Enhancing Dexterity in Robotic Manipulation via Hierarchical Contact Exploration
Carnegie Mellon University（卡内基梅隆大学）
针对机器人灵巧操作规划因接触非平滑性等带来的难题，提出基于蒙特卡洛树搜索的三层分层规划框架HiDex，可高效完成多类内外灵巧操作任务，灵活适配不同场景与机器人。
2023-11-08 cs.RO
Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation
SCFields通过融合视觉语义与密集接触估计，实现类别级可泛化的触觉工具操作，显著优于视觉和原始触觉基线。
2026-02-14 cs.RO
TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）；Xspark AI；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
本文提出TacOT框架，利用触觉引导的最优传输对齐人类演示与机器人操作，解决接触丰富灵巧操作中的人-机器人对应问题，在真实任务中显著提升成功率。
2026-10-06 cs.RO
Aerial Manipulation with Contact-Aware Onboard Perception and Hybrid Control
Department of Aerospace Engineering, Pennsylvania State University（宾夕法尼亚州立大学航空航天工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出了一种无需外部运动捕捉的机载感知与混合控制方法，实现了接触丰富任务的精准运动跟踪和稳定接触力控制。
2026-03-04 cs.RO
DIFFTACTILE: A Physics-based Differentiable Tactile Simulator for Contact-rich Robotic Manipulation
CMU RI（卡内基梅隆大学机器人研究所）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UMass Amherst（马萨诸塞大学阿默斯特分校）
DIFFTACTILE是一个基于物理的可微分触觉模拟器，通过高保真接触建模和梯度优化，支持多种材料与接触模式，用于缩小模拟到现实的差距并高效学习触觉辅助操作技能。
2024-03-13 cs.RO
Learning Preconditions of Hybrid Force-Velocity Controllers for Contact-Rich Manipulation
Carnegie Mellon University（卡内基梅隆大学）
机器人需要在受限的环境中操纵物体，如架子和橱柜，同时在家庭和办公室等日常环境中协助人类。这些限制使操作困难，减少把握可达性，所以机器人需要使用非可扩展的策略，利用对象环境接触来执行操作任务。为了解决规划和控制接触丰富的行为在这样的设置的挑战，这项工作使用混合力-速度控制器（HFVC）作为技能表示和计划技能序列与学习的先决条件。虽然HFVC自然能够实现强大且兼容的接触丰富行为，但合成它们的求解器传统上依赖于精确的对象模型和对象姿态的闭环反馈，这在受限环境中由于遮挡而难以获得。我们首先放松HFVC对精确模型和反馈的需求，然后学习基于点云的前提条件函数来分类HFVC执行仍然会成功，尽管建模不准确。最后，我们使用学习的前提条件，在基于搜索的任务规划完成接触丰富的操作任务在货架域。我们的方法实现了$73.2\%$的任务成功率，优于没有学习的前提条件的基线所实现的$51.5\%$。虽然预处理函数是在模拟中训练的，但它也可以转移到真实世界的设置中，而无需进一步微调。请访问https://sites.google.com/view/constrained-manipulation/查看补充材料和视频
2022-10-29 cs.RO
Dynamic Legged Manipulation of a Ball Through Multi-Contact Optimization
University of California, Berkeley（加州大学伯克利分校）
机器人的脚通常用于设计运动策略，例如平衡，行走和跑步。然而，它们也具有执行操纵任务的巨大潜力。在本文中，我们提出了一个模型预测控制（MPC）框架的四足机器人动态平衡球，同时操纵它遵循各种轨迹，如直线，正弦曲线，圆和原地转弯。我们数值验证我们的控制器上的迷你猎豹机器人使用不同的步态，包括小跑，弹跳，和pronking球。
2020-12-21 cs.RO
$N_0$-TWAM: Scaling Tactile-Native World-Action Model for Contact-Rich Manipulation
NeoteAI Team（NeoteAI团队）；Fudan TEAI Team（复旦大学TEAI团队）
研究提出$N_0$-TWAM用于丰富接触操作，通过视觉-触觉联合训练大规模预训练，采用NeoForce表示、引入触觉接触事件及非对称混合变压器架构，在多任务中展现强大能力，为细粒度操作奠定基础，代码等将公开。
2026-07-28 cs.RO
Planning and Resilient Execution of Policies For Manipulation in Contact with Actuation Uncertainty
Worcester Polytechnic Institute（伍斯特理工学院）；University of Michigan（密歇根大学）
我们提出了一种方法，用于规划运动的机器人与致动的不确定性，结合与环境的接触和机器人可靠地执行操作任务的遵守。我们的方法由两个阶段组成：（1）使用基于采样的运动规划器生成部分策略，该运动规划器使用基于粒子的不确定性模型以及接触和顺应性的模拟;以及（2）弹性执行，该弹性执行更新计划的策略以考虑执行中可能由模型或环境不准确引起的意外行为。我们已经在模拟的SE（2）和SE（3）环境和Baxter机器人中测试了我们的计划器和策略执行。我们表明，我们的方法有效地生成的政策，以执行操作任务，涉及重大的接触和比较几个简单的方法。此外，我们表明，我们的政策适应是有弹性的重大变化，在执行过程中，例如，增加了一个新的障碍的环境。
2017-04-03 cs.RO
ContactWorld: What Representations Matter for Vision-Tactile Latent World Models in Contact-Rich Manipulation
School of Industrial Engineering, Purdue University（普渡大学工业工程学院）；Department of Mechanical Engineering, Texas A&M University（德克萨斯农工大学机械工程系）
通过12项接触丰富操作任务，发现空间结构化和时间连续的表征（如点云）能显著提升规划成功率，且触觉传感的有效性依赖于跨模态表征兼容性。
2026-09-25 cs.RO
Recasting Classical Motion Planning for Contact-Rich Manipulation
School of Mechanical and Aerospace Engineering, Nanyang Technological University (NTU), Singapore（机械与航空航天工程学院，南洋理工大学）
本文提出 HapticRRT，将经典 RRT 扩展到准静态平衡流形，并利用操作势 Hessian 度量处理富接触规划，在三类任务中验证了通用性。
2025-07-27 cs.RO
