Hybrid Impedance-Admittance Control with Multi-Link Aerial Robot for Contact-Rich Surface Sliding Task
The University of Tokyo（东京大学）
该研究针对多旋翼空中机器人，提出混合阻抗-导纳控制策略，利用其铰接形态分离力与运动调节，实现未知表面上稳健柔顺的接触丰富表面滑动任务。
2026-08-04 cs.RO cs.SY eess.SY
Trajectory Optimization under Contact Timing Uncertainties
Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑工业大学）
本文针对机器人接触时机不确定性问题，提出一种将随机最优控制转化为确定性非线性规划的鲁棒控制方法，避免互补约束和组合爆炸，并在仿真中验证了其鲁棒性。
2024-10-18 cs.RO
Smoothly Connected Preemptive Impact Reduction and Contact Impedance Control
Kyushu University（九州大学）
针对机器人强烈冲击力的负面影响及冲击减小与接触阻抗控制难以无缝过渡的问题，提出串联组合阻抗控制框架，通过先发制人运动降低冲击力并平滑过渡，且利用虚拟粘性力减少传感器反射率影响。
2023-07-03 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
Mediating between Contact Feasibility and Robustness of Trajectory Optimization through Chance Complementarity Constraints
Georgia Institute of Technology（佐治亚理工学院）；George W. Woodruff School of Mechanical Engineering（乔治·W·伍德拉夫机械工程学院）；Department of Electrical and Computer Engineering（电气与计算机工程系）
随着机器人从实验室进入现实世界，运动规划将需要考虑模型的不确定性和风险。对于涉及间歇性接触的机器人运动，规划接触中的不确定性尤为重要，因为未能成功地建立和保持接触可能是灾难性的。在这里，我们在地形几何形状和摩擦特性的不确定性模型，并结合风险敏感的目标与机会约束，提供一个权衡鲁棒性的不确定性和约束满足与任意高的可行性保证。我们评估我们的方法在两个简单的例子：推块系统的基准和单腿料斗。我们证明，机会约束单独产生的轨迹类似于使用严格的互补性约束，但是，当配备了一个强大的目标，我们的机会约束可以调解之间的权衡鲁棒性的不确定性和严格的约束满足。因此，我们的研究可能是一个重要的一步推理接触不确定性的运动规划。
2021-09-30 cs.RO
Towards Human-Robot Collaboration with Parallel Robots by Kinetostatic Analysis, Impedance Control and Contact Detection
Leibniz University Hannover（汉诺威莱布尼茨大学）
针对并联机器人腿链意外接触风险，本文结合运动静力学建模、广义动量扰动观测与笛卡尔阻抗控制，实现全结构低力接触的快速检测和安全反应。
2023-08-18 cs.RO cs.SY eess.SY
Contact-rich SE(3)-Equivariant Robot Manipulation Task Learning via Geometric Impedance Control
UC Berkeley（加州大学伯克利分校）；Yonsei University（延世大学）
本文提出一种基于SE(3)几何阻抗控制与学习型增益调度的机器人操作任务学习方法，通过几何一致误差向量实现等变策略，显著提升学习可迁移性，并在插孔任务中验证了可行性。
2023-12-18 cs.RO cs.SY eess.SY
Configuration Lattices for Planar Contact Manipulation Under Uncertainty
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
这项工作解决了机器人使用接触传感器的实时反馈来可靠地操纵杂乱桌面上的可移动物体的挑战。我们制定的接触操作作为一个部分可观察的马尔可夫决策过程（POMDP）在关节空间的机器人配置和对象的姿态。POMDP公式使机器人能够主动收集信息，减少对象姿态的不确定性。此外，它还结合了机器人操作的所有主要约束：运动学可达性，自碰撞和与障碍物的碰撞。为了解决POMDP，我们应用DESPOT，一个国家的最先进的在线POMDP算法。我们的方法利用了两个关键的想法，计算效率。首先，它通过交错构造网格和在线POMDP规划来执行配置空间网格的惰性构造。其次，通过离线求解松弛POMDP，并利用解指导在线搜索算法，将在线和离线POMDP规划相结合。我们评估了所提出的方法在一个七度的自由度的机器人手臂在仿真环境中。它显着优于现有的几种算法，包括一些常用的接触操作不确定性下的算法。
2016-04-30 cs.RO
MDIR: A Task-Manifold Impedance Retargeting Method for Contact-Rich Teleoperation
本研究提出MDIR方法，实现单演示下控制器间阻抗重定向，在Franka Panda机器人的三类任务中，该方法可降低腕力峰值等四项激进性指标，且15次闭环执行均通过任务检查。
2026-08-07 cs.RO
Uncertainty-aware Contact-safe Model-based Reinforcement Learning
Institute of Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院拟人与机器人研究所）；Center for Automotive Electronics, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院汽车电子中心）；Graduated School of Science and Technology, Nara Institute of Science and Technology（奈良科学技术大学院科学技术研究科）
这封信提出了接触安全的基于模型的强化学习（MBRL）的机器人应用程序，实现接触安全的行为在学习过程中。在典型的MBRL中，由于样本稀缺，我们不能期望数据驱动模型在学习过程中为预期的机器人任务生成准确可靠的策略。在接触丰富的环境中操作这些不可靠的策略可能会对机器人及其周围环境造成损害。为了减轻意外密集的物理接触造成损害的风险，我们提出了接触安全MBRL，它将概率模型预测控制（pMPC）的控制限制与模型的不确定性相关联，以便根据学习进度调整受控行为的允许加速度。这种不确定性感知控制限制的控制规划制定为一个确定性MPC问题，使用计算效率的近似GP动态和近似推理技术。我们的方法的有效性进行评估，通过碗混合任务与模拟和真实的机器人，舀任务与真实的机器人作为接触丰富的操作技能的例子。（视频：https：//youtu.be/sdhHP3NhYi0）
2021-03-09 cs.LG cs.RO
Impedance Adaptation by Reinforcement Learning with Contact Dynamic Movement Primitives
Agile Robots AG（敏捷机器人公司）；Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）；Universität Hamburg（汉堡大学）；Intel Asia-Pacific Research & Development Ltd.（英特尔亚太研发有限公司）
动态运动基元（DMP）允许复杂的位置轨迹被有效地演示给机器人。在接触丰富的任务中，在接触几何形状变化的情况下，单独的位置轨迹可能不安全或鲁棒，DMP已经扩展到包括力轨迹。然而，不同的任务阶段或自由度可能需要跟踪位置或力--例如，一旦进行接触，则更重要的是在接触方向上跟踪力演示轨迹。机器人阻抗在跟随位置或力参考轨迹之间平衡，其中高刚度跟踪位置并且低刚度跟踪力。本文提出了使用DMPs从演示中学习位置和力的轨迹，然后通过强化学习训练的更高级别的控制策略在线调整阻抗参数。这允许使用DMP一次性演示任务，并通过阻抗自适应提高鲁棒性和性能。该方法在钉孔和胶带应用任务上进行了验证。
2022-03-21 cs.RO
A variable rest length impedance grasping strategy in the port-Hamiltonian framework
University of Groningen（格罗宁根大学）；University of Bologna（博洛尼亚大学）
本文研究了一类标准力学系统在端口-哈密顿框架下的阻抗抓取策略。我们嵌入了现有阻抗抓取策略的弹簧的可变静止长度，以实现稳定的非接触到接触过渡和期望的抓取力。我们利用标准力学系统的端口哈密顿结构。首先，我们利用一个变量的变化，将端口哈密顿系统转换成一个恒定的质量惯性矩阵。然后，我们通过具有可变静止长度的\emph{virtual spring}实现阻抗抓取控制。由虚拟弹簧施加的力导致阻抗抓取控制器中的耗散项，这是获得更平滑的非接触到接触过渡所需要的。仿真和实验结果，以激励我们的结果。
2020-08-05 cs.RO
Manifold Generative Annealing for Contact Constraint-aware Impedance Control with Reinforcement Learning Prior
Carnegie Mellon University（卡内基梅隆大学）；Chinese Academy of Sciences（中国科学院）
该研究针对接触丰富机器人任务中接触条件变化导致现有方法失效的问题，提出流形生成退火（MGA）框架，结合无模型与基于模型方法优化运动-阻抗，在三类任务中提升了阻抗控制的安全成功率。
2026-10-16 cs.RO
An Open Tele-Impedance Framework to Generate Data for Contact-Rich Tasks in Robotic Manipulation
Istituto Italiano di Tecnologia（意大利技术研究院）
在机器学习中使用大型数据集已经取得了出色的结果，在某些情况下，在被认为是机器不可能完成的任务中，它的表现超过了人类。然而，在处理物理交互任务时，例如，在接触丰富的机器人操作中，仍然是一个很大的挑战。众所周知，调节这种操作的笛卡尔阻抗对于它们的成功执行是至关重要的。像强化学习（RL）这样的方法可能是解决此类问题的一个很有前途的范例。更确切地说，在解决新任务时使用任务不可知的专家演示来引导学习的方法具有巨大的潜力，因为它们可以利用大型数据集。然而，现有的数据汇集系统昂贵、复杂，或者不允许阻抗调节。这项工作是迈向数据汇集框架的第一步，该框架适用于收集与RL问题制定兼容的基于阻抗的专家演示的大型数据集，其中使用了一种新的动作空间。该框架是根据广泛分析机器人操作的可用数据汇集框架后获得的要求设计的。其结果是一个低成本和开放访问的远程阻抗框架，使人类专家能够演示接触丰富的任务。
2023-02-06 cs.RO
Stiffness Copilot: An Impedance Policy for Contact-Rich Teleoperation
本文提出Stiffness Copilot，一种基于视觉的共享控制策略，通过在线调整机器人刚度实现安全高效的接触丰富任务远程操作。
2026-08-05 cs.RO
A Contact Model based on Denoising Diffusion to Learn Variable Impedance Control for Contact-rich Manipulation
Digital & AI Technology Center, Technology Division, Panasonic Holdings Corporation（松下控股公司技术事业部数字与人工智能技术中心）；Robotics Promotion Office, Manufacturing Innovation Division, Panasonic Holdings Corporation（松下控股公司制造创新事业部机器人推进办公室）；Ritsumeikan University（立命馆大学）
本文提出扩散接触模型（DCM），利用去噪扩散模型的多步迭代计算模拟高度非线性的接触动力学，从变刚度输入预测接触轨迹，在保持与传统优化方法相当性能的同时显著减少了机器人试错次数。
2024-03-20 cs.RO
Contact-Aware Impedance Controller for Robot-Assisted Ultrasound Imaging
Center for Robotics and AI (ROMER), Middle East Technical University（中东技术大学机器人与人工智能中心（ROMER））
提出基于B模式超声图像的接触感知与阻抗控制方法，实现接触定位与力降低，实验显示接触定位误差1.46mm，最大压缩力降低36.3%，提升安全性与准确性。
2026-09-29 cs.RO
Learning Variable Impedance Control for Contact Sensitive Tasks
Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）
强化学习算法在解决从玩视频游戏到机器人等不同问题方面取得了巨大成功。然而，他们很难解决微妙的机器人问题，特别是那些涉及接触互动的问题。虽然原则上直接输出关节力矩的策略应该能够学习执行这些任务，但在实践中，我们看到，在动作空间中没有任何给定结构的情况下，很难鲁棒地解决问题。在本文中，我们研究了如何选择的行动空间可以给鲁棒性能存在接触的不确定性。我们提出了一种学习策略，给出输出阻抗和期望的位置在关节空间，并比较不同的接触不确定性下的转矩和位置控制的方法的性能。此外，我们提出了一个额外的奖励条款，旨在规范这些可变阻抗控制政策，使他们的可解释性，并促进其转移到真实的系统。我们提出了广泛的实验模拟浮动和固定基地系统的任务，涉及接触的不确定性，以及在一个真实的系统上运行的学习政策的结果。
2020-07-14 cs.AI cs.LG cs.RO
HumanoidVLM: Vision-Language-Guided Impedance Control for Contact-Rich Humanoid Manipulation
Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
HumanoidVLM通过视觉-语言模型和检索增强生成模块，实现人形机器人在接触密集场景中的自适应阻抗控制与抓取配置选择。
2026-01-21 cs.RO
Continuous Manifold-Decomposed Impedance Retargeting for Contact-Rich Imitation Learning
The University of Tokyo（东京大学）
提出CMDIR，将固定阻抗演示转化为连续变阻抗控制器，作为模仿学习监督，在真实接触任务中提升保留率并降低力波动，FastMPO加速5.8-9.4倍。
2026-09-15 cs.RO
Impedance Cloning: Learning Equilibrium Point Parameters for Contact-Rich Manipulation
Saitama University（埼玉大学）
提出阻抗克隆方法，通过模仿刚度和平衡点参数而非轨迹，实现接触丰富操作对表面几何变化的鲁棒性，在擦拭和拾放任务中优于轨迹基线和固定阻抗基线。
2026-09-28 cs.RO
FILIC: Dual-Loop Force-Guided Imitation Learning with Impedance Torque Control for Contact-Rich Manipulation Tasks
Tsinghua University（清华大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；DISCOVER Robotics（DISCOVER机器人）
提出FILIC框架，通过双环结构结合Transformer策略与阻抗控制器，利用关节力矩估计末端力，实现无力传感器下的力感知接触操作，显著提升安全性和适应性。
2026-06-23 cs.RO
Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（人机动力学与机器人研究所，卡尔斯鲁厄技术大学）；Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）；Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑与认知科学系，麻省理工学院）
本文提出基于扩散的阻抗学习框架，结合生成建模与能量一致的阻抗控制，实现接触丰富的操作任务中的高精度动态控制与任务泛化能力。
2026-08-12 cs.AI cs.LG cs.RO
Desired Impedance Allocation for Robotic Systems
Faculty of Engineering and Natural Science, Tampere University（工程与自然科学学院，塔尔库大学）
本研究首次在虚拟分解控制框架中引入第二阶阻抗分配方法，通过重新定义末端速度并引入加速度和伪阻抗项，在保持模块化的同时实现了更优的跟踪与接触性能，显著提升了刚性环境下的交互稳定性。
2025-05-02 cs.RO
Variable Impedance Control in End-Effector Space: An Action Space for Reinforcement Learning in Contact-Rich Tasks
Stanford University（斯坦福大学）；Nvidia（英伟达）
近年来，接触丰富的操作任务的强化学习（RL）取得了令人印象深刻的结果。虽然RL中的许多研究都集中在改变观察空间或奖励模型上，但很少有人关注动作空间的选择（例如关节或末端执行器空间，位置，速度等）。然而，在机器人运动控制的研究表明，选择一个动作空间，符合任务的特点，可以简化探索和提高鲁棒性的干扰。本文研究了深度强化学习中不同动作空间的影响，并倡导末端执行器空间（VICES）中的可变阻抗控制作为约束和接触丰富任务的有利动作空间。我们评估三个原型操作任务的多个动作空间：路径跟踪（无接触任务），开门（运动约束任务），和表面擦拭（连续接触任务）。我们表明，VICES提高了样本效率，保持低能耗，并确保所有三个实验设置的安全性。此外，使用VICES学习的RL策略可以在仿真中跨不同的机器人模型传输，并且对于同一机器人可以从仿真传输到真实。更多信息请访问https://stanfordvl.github.io/vices。
2019-08-02 cs.AI cs.LG cs.RO
Safe Online Gain Optimization for Variable Impedance Control
University of California, Berkeley（加州大学伯克利分校）；Harbin Institute of Technology（哈尔滨工业大学）
平滑的行为对于许多接触丰富的操作任务是优选的。阻抗控制作为一种有效的方式来调节机器人的运动，通过模仿质量弹簧阻尼系统。因此，机器人的行为可以通过阻抗增益来确定。然而，针对不同任务调整阻抗增益是棘手的，特别是对于非结构化环境。此外，在线调整最佳增益以满足时变性能指标更具挑战性。在本文中，我们提出了安全的在线增益优化可变阻抗控制（安全OnGO-VIC）。通过将阻抗控制的动力学转化为一个控制仿射系统，其中阻抗增益是输入，我们提供了一个新的视角来理解可变阻抗控制。此外，我们创新地制定了一个优化问题，在线收集的力信息，以获得最佳的阻抗增益实时。安全约束也嵌入在所提出的框架，以避免不必要的碰撞。我们实验验证了所提出的算法上的三个操作任务。与恒定增益基线和自适应控制方法的比较结果证明了该算法的有效性和可推广性。
2021-11-01 cs.RO cs.SY eess.SY
Safety-Critical Adaptive Impedance Control via Nonsmooth Control Barrier Functions under State and Input Constraints
Department of Electrical and Electronic Engineering, The University of Manchester（电气与电子工程系，曼彻斯特大学）
提出一种在线自适应阻抗控制框架，结合二次规划安全滤波器与新型组合位置-速度非光滑控制障碍函数，在不确定动力学下实现关节状态安全约束与柔顺交互，并通过区间二型模糊逻辑补偿未知动力学、软约束处理执行器力矩限制，利用复合Lyapunov分析证明安全集前向不变性与阻抗跟踪误差一致最终有界。
2026-06-03 cs.RO cs.SY eess.SY
Impedance Control for Manipulators Handling Heavy Payloads
针对重负载导致传统阻抗控制器失效的问题，提出一种无需加速度测量的内外环阻抗控制方案，能设定一般目标阻抗模型并解析证明稳定性，实验证实其能有效塑造承载重负载机械臂的阻抗。
2024-09-23 cs.RO cs.SY eess.SY
Nonlinear Subsystem-based Adaptive Impedance Control of Physical Human-Robot-Environment Interaction in Contact-rich Tasks
Tampere University（坦佩雷大学）
针对7自由度触觉外骨骼在接触丰富任务中的稳定性与渲染能力问题，提出基于子系统的自适应阻抗控制方法，并通过虚拟稳定性证明和可变虚拟质量元件改进Z-width，实验验证了其有效性。
2023-08-09 cs.RO
A Projected Inverse Dynamics Approach for Dual-arm Cartesian Impedance Control
University of Edinburgh（爱丁堡大学）；University of Birmingham（伯明翰大学）；Technical University Braunschweig（布伦瑞克工业大学）
我们提出了一种方法，双臂操纵的刚性物体，受到外部干扰。该问题被制定为一个笛卡尔阻抗控制器内的投影逆动力学框架。我们使用控制器的受约束组件来强制接触和无约束控制器来完成具有期望的6-DOF阻抗行为的任务。此外，所提出的方法优化了保持接触所需的扭矩，受到未知的干扰，并且可以在不直接测量外力的情况下这样做。该技术进行了评估单臂擦拭表和双臂平台操纵一个刚性物体的未知质量和与人类的互动。
2017-07-03 cs.RO
Constraint-Grounded Reinforcement Learning for Variable Impedance Control in Contact-Rich Robotic Insertion
The University of Tennessee（田纳西大学）
针对机器人插入中固定增益需手动调整的问题，提出约束锚定强化学习框架，在力限制下在线调整阻抗增益，实验显示成功率显著优于固定增益基线。
2026-09-15 cs.RO
CompliantVLA-adaptor: VLM-Guided Variable Impedance Action for Safe Contact-Rich Manipulation
Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genoa, Italy（人机交互实验室，意大利理工学院，热那亚，意大利）；Ph.D. program of national interest in Robotics and Intelligent Machines (DRIM) and Università di Genova, Genoa, Italy（机器人与智能机器国家利益博士项目和热那亚大学，热那亚，意大利）；Edwardson School of Industrial Engineering, Purdue University, West Lafayette, IN 47907, USA（工业工程埃德华森学校，普渡大学，西拉法克萨，印第安纳州47907，美国）；Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院，亚特兰大，美国）；German Research Center for AI, Germany（德国人工智能研究中心，德国）；TU Darmstadt, Darmstadt, Germany（图宾根大学，图宾根，德国）；Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院，卡尔斯鲁厄，德国）
本文提出CompliantVLA-adaptor，通过引入基于视觉语言模型的上下文感知变量阻抗控制，提升接触密集任务的安全性和有效性。方法通过图像和自然语言解读任务上下文，调节阻抗控制器的刚度和阻尼参数，并利用实时力/扭矩反馈确保安全。实验表明在模拟和现实任务中均优于基线方法。
2026-03-17 cs.RO
Quadrotor Manipulation System: Development of a Robust Contact Force Estimation and Impedance Control Scheme Based on DOb and FTRLS
Cardiff Metropolitan University（卡迪夫城市大学）；Menoufia University（米努菲亚大学）；Egypt-Japan University of Science and Technology（埃及日本科学技术大学）
本文针对四旋翼机械臂操作系统的不稳定性与力估计难题，提出基于扰动观测器DOb和快速跟踪递归最小二乘FTRLS的鲁棒接触力估计与阻抗控制方案，并通过数值仿真验证其有效性。
2024-09-05 cs.RO
Imp-ACT: Adaptive Impedance Control and Action Chunking with Transformers to Learn Contact-Rich Manipulation from Demonstrations
Istituto Italiano di Tecnologia（意大利理工学院）；Carnegie Mellon University（卡内基梅隆大学）
Imp-ACT通过遥操作中自适应刚度调制和Transformer动作分块，在擦拭和插头插入任务中实现高成功率并显著降低接触力。
2026-09-28 cs.RO
Dynamic analysis of simultaneous adaptation of force, impedance and trajectory
Imperial College of Science, Technology and Medicine（帝国理工学院）
当执行与环境接触的任务时，发现人类同时适应力、阻抗和轨迹。在这里，我们开发了一个机器人模型，这种机制在人类和分析的基础动力学。我们推导出一个通用的自适应控制器的机器人与环境的相互作用，其特点是它的刚度和阻尼，使用李雅普诺夫理论。
2016-05-25 cs.RO
VIDP: Variable Impedance Diffusion Policy for Compliant Robot Manipulation from Diverse Demonstrations
该研究针对接触丰富的机器人操作问题，提出基于模仿学习的可变阻抗控制框架VIDP，利用TP-DAMM从多样本演示中提取物理一致的轨迹分布，无需力传感器即可联合预测位姿与柔顺性，在真实实验中任务成功率及力、跟踪误差表现均优于基线方法。
2026-08-07 cs.RO
Visualizing Impedance Control in Augmented Reality for Teleoperation: Design and User Evaluation
Eindhoven University of Technology（埃因霍温理工大学）
针对低成本无触觉反馈遥操作中力感知困难的问题，提出增强现实可视化阻抗控制器目标位姿及其与末端执行器位移的方法，实验表明该可视化使力关键提升任务完成时间减少24%。
2026-07-02 cs.RO
Adaptive Variable Impedance Control for a Modular Soft Robot Manipulator in Configuration Space
Shahid Beheshti University（沙希德·贝赫什提大学）；Technical University of Denmark（丹麦技术大学）
合规性是人机交互的强烈要求。软机器人提供了一个机会，以弥补传统的致动机构缺乏遵守，然而，他们的控制是非常具有挑战性的，因为他们的内在复杂的运动。因此，软机器人需要新的方法，例如，建模、控制、动力学和规划。确保顺应性的控制策略之一是阻抗控制。在存在耦合力和位置约束的任务执行期间，动态行为增加了阻抗控制的灵活性。这对控制系统的稳定性施加了一些额外的约束。为了解决这些问题，我们提出了一个可变的阻抗控制在配置空间中的模块化软体机器人操作器（MSRM）的模型不确定性和外力的存在。为了降低计算复杂度，采用基于动量的方法在位形空间估计外载荷，并设计自适应反推滑模控制器以防止不确定性。利用李雅普诺夫理论进行稳定性分析，不仅保证了所设计控制律下各状态的指数稳定性，而且保证了闭环系统的全局稳定性。系统性能的基准对其他传统的控制方法，如滑模（SM）和逆动态PD控制器。仿真结果表明，与SM和PD控制器相比，所提出的变阻抗控制在稳定位置误差和减小外部负载的影响方面是有效的。
2021-10-09 cs.RO cs.SY eess.SY
Impedance Primitive-augmented Hierarchical Reinforcement Learning for Sequential Tasks
TU Delft（代尔夫特理工大学）；IISc Bangalore（班加罗尔印度理工学院）
本文提出阻抗基元增强的分层强化学习框架，通过可变刚度动作空间、自适应刚度控制器和可供性耦合，提升顺序接触任务中的学习效率、基元组合性与成功率，并验证了 sim2real 能力。
2025-08-27 cs.RO
Impedance and Stability Targeted Adaptation for Aerial Manipulator with Unknown Coupling Dynamics
Robotics Research Center, International Institute of Information Technology Hyderabad (IIIT-H)（印度海得拉巴国际信息技术学院机器人研究中心）；The University of Manchester（曼彻斯特大学）；Southeast University（东南大学）
针对空中操作器中难以建模的耦合力问题，提出一种不依赖先验知识的自适应阻抗控制器，有效处理未知耦合力与参数不确定性，显著提升了动态任务的稳定性和跟踪性能。
2025-03-29 cs.RO cs.SY eess.SY
Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction
Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）
本文提出基于高斯过程的模型预测控制框架，用于处理人机交互中的多种不确定性，通过非线性优化提升机器人轨迹和阻抗的适应性与安全性。
2022-12-10 cs.RO
Visuo-Tactile Exploration of Unknown Rigid 3D Curvatures by Vision-Augmented Unified Force-Impedance Control
Chair of Robotics and Systems Intelligence, MIRMI-Munich Institute of Robotics and Machine Intelligence, Technical University of Munich（慕尼黑工业大学机器人与系统智能教席，慕尼黑机器人与机器智能研究所）；Centre for Tactile Internet with Human-in-the-Loop (CeTI)（以人为中心的触觉互联网中心）
本文提出VA-UFIC方法，通过融合视觉与触觉数据直观探索未知三维曲率，利用在线接触对齐监测系统自适应调整刚度与力，并引入虚拟能量罐保障安全，在Franka Emika机器人上验证了其有效性。
2024-08-26 cs.RO
Soft Continuum Actuator Tip Position and Contact Force Prediction, Using Electrical Impedance Tomography and Recurrent Neural Networks
Imperial College London（帝国理工学院）
本文提出基于EIT与LSTM的软体弯曲驱动器形状感知方法，利用EIT数据和压力输入预测末端位置与接触力，并通过通道数对比验证了精度提升。
2023-04-25 cs.RO
Impedance Control of Ship-Borne Manipulators via Optimization-based Task-Space Inverse Dynamics
针对舰载机械手受波浪基座运动影响问题，提出基于扭矩水平优化控制框架，结合任务空间逆动力学和误差状态卡尔曼滤波器，经仿真与实验验证，有效降低跟踪误差，实现动态销孔插入，提升操作成功率并减少接触力。
2026-07-27 cs.RO
Geometric Formulation of Unified Force-Impedance Control on SE(3) for Robotic Manipulators
University of California, Berkeley, USA（加州大学伯克利分校）
提出一种在SE(3)流形上的阻抗控制框架，通过能量罐增强实现力跟踪与无源性，并解决非因果实现问题，继承SE(3)不变性以提高学习效率。
2026-06-09 cs.RO cs.SY eess.SY
Whole-Body Impedance Coordinative Control of Wheel-Legged Robot on Uncertain Terrain
Tencent Robotics X（腾讯Robotics X实验室）；Arizona State University（亚利桑那州立大学）
本文提出一种轮腿人形机器人全身阻抗协调控制框架，采用变阻尼阻抗控制器与全身控制优化的双层策略，集成实时地形估计和无模型摩擦补偿，在复杂地形下保持上半身稳定并成功完成运水任务。
2024-11-15 cs.RO
URF: A Unified Robot Control-Policy Framework for Stable Contact Aware Manipulation
Faculty of Mechanical Engineering, Sungkyunkwan University（成均馆大学机械工程学院）；Faculty of Intelligent Robotics, Sungkyunkwan University（成均馆大学智能机器人学院）
研究针对基于学习的操纵策略中动作预测与执行分离在刚性接触时的问题，提出URF统一框架，结合多模态观察预测虚拟目标等，利用接触力构建标签监督控制器模式预测，在相关任务中提升成功率并减少失败模式。
2026-07-24 cs.RO
Force-Aware Residual DAgger via Trajectory Editing for Precision Insertion with Impedance Control
Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文提出TER-DAgger框架，通过优化轨迹编辑学习残差策略，减少协变量偏移，结合力感知的失败预判机制和阻抗控制框架，提升精确插入任务的成功率。
2026-07-24 cs.RO
Development of a Novel Impedance-Controlled Quasi-Direct-Drive Robotic Hand
Stony Brook University（石溪大学）
本文提出一种新型四自由度准直驱两指机械手，采用关节空间和笛卡尔空间变阻抗控制及FOC算法，无需复杂力传感器即可安全实现稳定的力闭合抓取、手内操作及动态操作，且基于3D打印构建为低成本平台。
2024-05-29 cs.RO
OmniVIC: A Self-Improving Variable Impedance Controller with Vision-Language In-Context Learning for Safe Robotic Manipulation
Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genoa, Italy（人机交互实验室，意大利理工学院，热那亚）；Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院，美国亚特兰大）
针对传统可变阻抗控制器在复杂非结构化接触场景泛化性不足的问题，提出融合自改进RAG、ICL与VLM的OmniVIC控制器，结合力反馈保障安全，在仿真和真实任务中显著提升成功率并减少力违规。
2026-10-30 cs.RO
A Passive Variable Impedance Control Strategy with Viscoelastic Parameters Estimation of Soft Tissues for Safe Ultrasonography
Università di Trento（特伦托大学）；Istituto Italiano di Tecnologia（意大利技术研究院）
针对超声检查中探头-人体交互的安全控制问题，提出结合软组织粘弹性估计、含能量罐被动约束的变阻抗控制方法，经假人实验验证可实现安全精确的力控制。
2024-04-15 cs.RO cs.SY eess.SY
Learning Variable Impedance Control for Aerial Sliding on Uneven Heterogeneous Surfaces by Proprioceptive and Tactile Sensing
ETH Zürich（苏黎世联邦理工学院）
能够与环境进行物理交互的新型飞行器的最新发展导致了新的应用，例如基于接触的检测。这些任务要求机器人系统与部分已知的环境交换力，这可能包含不确定性，包括未知的空间变化的摩擦特性和表面几何形状的不连续变化。找到一种对这些环境不确定性具有鲁棒性的控制策略仍然是一个公开的挑战。提出了一种基于学习的自适应控制策略，用于空中滑行任务。特别地，通过基于当前控制信号、本体感受测量和触觉感知的策略来实时调整标准阻抗控制器的增益。该策略在学生-教师学习设置中使用简化的致动器动力学进行模拟训练。使用一个倾斜臂全向飞行器的实际世界中的性能所提出的方法进行了验证。所提出的控制器结构结合了数据驱动和基于模型的控制方法，使我们的方法能够成功地直接从仿真转移到真实平台，而无需自适应。与现有技术的相互作用控制方法相比，我们实现了减小的跟踪误差和改进的干扰抑制。
2022-07-05 cs.LG cs.RO cs.SY
Ultrasound-Guided Assistive Robots for Scoliosis Assessment with Optimization-based Control and Variable Impedance
The Hong Kong Polytechnic University（香港理工大学）
医疗保健辅助机器人的需求不断增长，因为它具有将医生从日常工作中解放出来的巨大潜力。在本文中，我们研究了一个基于优化的控制框架的超声引导辅助机器人进行脊柱侧凸评估的发展。利用超声成像进行脊柱侧凸评估的常规程序通常需要执业医师沿着患者的背部滑动超声探头。为了自动化这种类型的过程中，我们需要考虑多个目标，如接触力，位置，方向，能量，姿态等，以解决上述组件，我们建议制定控制框架设计作为一个二次规划问题，每个目标的权重由其任务的优先级受到一组平等和不平等的约束。此外，由于机器人需要在脊柱扫描过程中与患者建立恒定的接触，因此我们在控制架构中加入了末端执行器位置和方向的可变阻抗调节，以增强物理人机交互过程中的安全性和稳定性。其中，通过从医学专家的演示中学习来检索可变阻抗增益。所提出的方法进行评估的自主脊柱侧凸评估与机器人操作器xArm的真实世界的实验。通过获得的体模和人体受试者的冠状脊柱图像验证了该方法的有效性。
2022-03-04 cs.RO
Covariance Steering for Uncertain Contact-rich Systems
University of California, Los Angeles（加州大学洛杉矶分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对随机互补约束的富接触系统，提出结合粒子滤波、机会约束、双层NLP和重要粒子算法的接触感知闭环协方差控制方法。
2023-03-23 cs.RO cs.SY eess.SY
