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
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
Multi-contact MPC for Dynamic Loco-manipulation on Humanoid Robots
University of Southern California（南加州大学）
提出了一种基于多接触模型预测控制（MPC）框架的人形机器人多接触动态轨迹操作控制方法。拟议的框架包括一个多接触动力学模型，能够捕获本地操作中的各种接触模式，例如手与物体接触和脚与地面接触。我们提出的动力学模型表示的对象动态作为一个外力作用在系统上，这简化了模型，使其可行的MPC问题的解决。在数值验证中，我们的多接触MPC框架只需要每个任务的接触时间和所需的状态，让MPC的知识的变化接触模式的预测视野中的本地操作。所提出的框架可以控制人形机器人完成多任务的动态本地操作应用，如有效地拿起和放下物体，同时转向和行走。
2023-03-21 cs.RO cs.SY eess.SY
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
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
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
Hierarchical Contact-Rich Trajectory Optimization for Multi-Modal Manipulation using Tight Convex Relaxations
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对富接触操作轨迹设计需同时推理轨迹与接触序列的难题，提出结合MILP接触选择与NLP轨迹优化的分层框架，通过二进制编码凸松弛提升MILP性能，经多任务与硬件实验验证兼具交互推理能力与计算优势。
2025-03-12 cs.AI cs.RO cs.SY
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
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
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
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
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
CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation
Peking University（北京大学）；Galbot；Tsinghua University（清华大学）
提出GPU加速的可微分准动态仿真器CQDC-Warp，用于接触丰富操作的批量MPC，在Allegro手持旋转基准测试中成功率优于CFree、IMPACT，且轨迹生成时间大幅减少，吞吐量高，适用于多种机器人操作场景。
2026-10-16 cs.RO
Dynamic On-Palm Manipulation via Controlled Sliding
University of Pennsylvania（宾夕法尼亚大学）
本研究针对动态非抓握掌上操作任务，采用接触隐式MPC处理多模态规划，结合简化模型与底层控制器，在无参考轨迹等辅助下实现三维动态滑动操控，验证了方法的通用性与有效性。
2024-07-10 cs.RO
Non-impulsive Contact-Implicit Motion Planning for Morpho-functional Loco-manipulation
Northeastern University（东北大学）；California Institute of Technology（加州理工学院）
本研究针对蛇形机器人COBRA的运动操作需求，提出基于非脉冲隐式接触路径规划的优化方法，给出数学框架并通过定形侧向滚动的高保真仿真验证了物体操作能力。
2024-04-12 cs.RO cs.SY eess.SY
Global Sampling-Based Trajectory Optimization for Contact-Rich Manipulation via KernelSOS
Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）；Inria, Département d’informatique de l’ENS, CNRS, PSL Research University（法国国家科学研究中心（CNRS）、巴黎高等师范学院（ENS）和PSL研究大学的Inria）
本文提出Global-MPPI框架，结合全局探索与局部优化，解决接触密集操作中的高维、长时域问题，实验显示其收敛更快且成本更低。
2026-04-29 cs.RO
Contact-Implicit Trajectory Optimization with Hydroelastic Contact and iLQR
University of Notre Dame（圣母大学）
接触隐式轨迹优化为机器人的操作和运动提供了一种自动生成复杂和接触丰富的行为的方法。然而，这种技术的可扩展性受到确保数值可靠性和物理真实性的挑战的限制。在本文中，我们提出了初步的结果表明，迭代线性二次调节器（iLQR）算法与最近提出的压力场为基础的水弹性接触模型，使可靠的和物理现实的轨迹优化通过接触。我们使用这种方法来合成接触丰富的行为，如四足动物的运动和整臂操纵。此外，Kinova Gen3机器人手臂上的开环回放证明了整个手臂操作轨迹的物理准确性。代码可以在https://bit.ly/ilqr_hc上找到，视频可以在https://youtu.be/IqxJKbM8_ms上找到。
2022-08-07 cs.RO
Relative Contact Velocity-Controlled Hand-Object Mechanism for Dexterous Tool Manipulation
Carnegie Mellon University（卡内基梅隆大学）
本研究提出一种基于相对接触速度控制的手-工具机构框架，使多指机器人手能完成完整工具操作，并通过仿真验证其通用性和适应性。
2026-11-10 cs.RO
Loco-Manipulation with Nonimpulsive Contact-Implicit Planning in a Slithering Robot
Northeastern University（东北大学）；California Institute of Technology（加州理工学院）
本研究针对蛇形机器人的运动-操作一体化需求，提出基于非脉冲隐式接触路径规划的优化方法，构建数学框架并通过仿真与实验验证了该方法的有效性。
2024-04-12 cs.RO cs.SY eess.SY
Do My Samples Help? Compute Budget Allocation for Real-World Sampling-Based MPC in Contact-Rich Manipulation
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Robotics Institute Germany (RIG)（德国机器人研究所）；School of Computing, DePaul University（德保罗大学计算学院）
本研究针对接触丰富操作的SMPC，开发了BAMPC框架，经三项任务实验发现，最佳计算预算分配取决于主导的仿真到真实误差，动力学随机化并非普遍最有效。
2026-10-14 cs.RO
Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究院（MERL））
本文针对枢转操作中的物理参数不确定性，提出利用摩擦稳定性裕度并结合接触隐式双层优化框架来规划鲁棒轨迹，并通过6自由度机械臂实验和MPC控制器验证了方法的有效性。
2024-07-04 cs.AI cs.RO cs.SY
AVO: Amortized Value Optimization for Contact Mode Switching in Multi-Finger Manipulation
Department of Robotics, University of Michigan（机器人学系，密歇根大学）；Honda Research Institute USA（本田美国研究院）
针对多指操作中接触模式切换的轨迹优化子任务独立求解导致性能受限和计算昂贵的问题，提出摊销价值优化（AVO），通过学习价值函数预测未来任务性能并融入优化成本，衔接子任务并加速优化，在螺丝刀抓取转动任务中验证了减半预算下的性能提升。
2025-10-08 cs.RO
Learning Tactile-Aware Quadrupedal Loco-Manipulation Policies
Purdue University（普渡大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Columbia University（哥伦比亚大学）
本文提出一种具有层次结构的触觉感知运动-操作策略学习框架，通过真实世界示范训练触觉条件的视觉-触觉高层策略，并结合大规模模拟强化学习学习能追踪多样指令轨迹和触觉交互的全身控制策略，提升接触丰富场景下的协调运动与操作性能。
2026-07-14 cs.RO
Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation
Intelligent Autonomous Systems Lab, TU Darmstadt（达姆施塔特工业大学智能自主系统实验室）；Interactive Robot Perception & Learning Lab, TU Darmstadt（达姆施塔特工业大学交互式机器人感知与学习实验室）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Robotics Institute Germany (RIG)（德国机器人研究所）；College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
提出基于JAX和MuJoCo MJX的采样MPC框架，在Franka机器人上实现Push-T任务，MTP变体优于CEM等基线，并评估在线域随机化效果。
2026-06-23 cs.RO
Generative Models From and For Sampling-Based MPC: A Bootstrapped Approach For Adaptive Contact-Rich Manipulation
Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所）；Robotics and AI Institute (RAI), Boston, USA（机器人与人工智能研究所）；Cornell University, Ithaca, NY, USA（康奈尔大学）
本文提出了一种基于自举的生成模型框架，用于提升采样基于MPC在接触密集操作中的效率和鲁棒性。
2026-01-07 cs.RO
Koopman global linearization of contact dynamics for robot locomotion and manipulation enables elaborate control
本文利用库普曼算子将接触切换的分段动力学转化为嵌入空间中的全局线性模型，实现腿式机器人和机械臂在多次接触变化下的凸模型预测控制与实时精细控制。
2025-11-09 cs.RO math.DS
WristMimic: Full-Body Humanoid Control with Wrist-Guided Manipulation
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
研究如何将人类物体交互演示重定向到物理模拟，提出WristMimic框架，分离无接触身体运动与手部操作，通过手腕引导，让手指从物体跟踪和接触结果学习行为，实验显示该框架在跨手部模型重定向时效果良好。
2026-07-14 cs.CV cs.GR cs.RO
Data-Driven Contact-Aware Control Method for Real-Time Deformable Tool Manipulation: A Case Study in the Environmental Swabbing
University of Arkansas（亚拉巴马大学）
本文提出了一种基于Koopman算子的SA-KLQR控制框架，用于实时变形工具操作，通过触觉反馈系统动态估计和调节清洁工具的角度、接触压力和表面覆盖，提升食品卫生标准下的稳定性与精度。
2025-03-27 cs.RO cs.SY eess.SY
Physics-Driven Data Generation for Contact-Rich Manipulation via Trajectory Optimization
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）；Robotics and AI Institute（机器人与人工智能研究院）
本研究提出了一种结合物理仿真和轨迹优化的方法，通过生成多样化高质量数据集，提升接触密集操作任务的机器人性能。
2026-01-07 cs.AI cs.LG cs.RO
ContactExplorer: Contact Coverage-Guided Exploration for General-Purpose Dexterous Manipulation
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；RoboScience（机器人科学）
提出ContactExplorer方法，通过接触覆盖奖励和能量引导奖励，在灵巧操作任务中高效探索接触模式，提升样本效率和成功率。
2026-09-30 cs.AI cs.RO
A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot Manipulation
Tsinghua University（清华大学）
提出一种安全接触强化学习框架，在任务和关节空间检测碰撞并限制接触力，实现柔顺操作，仿真训练后迁移至真实机器人，实验验证其安全性和鲁棒性。
2022-07-27 cs.AI cs.RO
Force-Modulated Dexterity: Unified Compliance for Contact-Rich Manipulation
Amazon FAR（亚马逊FAR）；Carnegie Mellon University（卡内基梅隆大学）
针对远程操作中接触力调整困难的问题，提出FOMO-Dex统一柔顺性方法，在多类接触操作任务中降低过度接触力，提升演示数据质量与机器人操作策略性能。
2026-10-14 cs.AI cs.RO
ManiFoundation Model for General-Purpose Robotic Manipulation of Contact Synthesis with Arbitrary Objects and Robots
School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）；National University of Singapore（新加坡国立大学）；Shanghai Jiao Tong University（上海交通大学）
提出将机器人操作任务形式化为接触合成的基础模型，通过输入物体和机器人的点云及物理属性等，输出接触点和接触力，在多维度物体的仿真和真实实验中达到约90%成功率。
2024-09-25 cs.AI cs.RO
PolyTouch: A Robust Multi-Modal Tactile Sensor for Contact-rich Manipulation Using Tactile-Diffusion Policies
MIT CSAIL
本文提出 PolyTouch 多模态触觉传感器，结合触觉扩散策略，显著提升了非结构化环境中富接触操作的鲁棒性与性能。
2025-04-27 cs.AI cs.RO
Dreaming the Sound of Contact: Leveraging Video and Audio Generation for Zero-Shot Force-Aware Manipulation and Data Generation
University of Pennsylvania（宾夕法尼亚大学）
本工作提出利用视频和音频生成，从自然语言提示中推导力感知轨迹，通过音频响度塑造目标力曲线，在Franka Panda机器人上实现零样本接触任务成功，并用于数据生成训练策略。
2026-09-18 cs.AI cs.RO
Contact Mode Guided Motion Planning for Quasidynamic Dexterous Manipulation in 3D
Carnegie Mellon University（卡内基梅隆大学）
提出了一种基于接触模式的灵巧手三维准静态和准动态刚体运动规划方法。CMGMP算法生成包括连续状态转换和离散接触模式切换的混合运动计划，而不需要预先指定的接触序列或预先设计的运动基元。其核心思想是使用自动枚举的环境对象接触的接触模式，以指导在搜索过程中的树扩展。接触模式自动合成操作基元，而基于采样的规划框架将这些基元排序为连贯的计划。我们在14个3D操作任务上测试了我们的算法，并通过在一个真实的机器人-机械手系统上开环执行一些计划来验证我们的模型
2022-06-03 cs.RO
NoContactNoWorries: Estimating Contact through Vision and Proprioception for In-Hand Dexterous Manipulation
Robotics Research Center (RRC), International Institute of Information Technology (IIIT), Hyderabad, India（印度海得拉巴国际信息技术研究所机器人研究中心）；Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
提出一种基于Transformer的多模态框架，融合RGB-D视觉和机器人本体感觉推断二值接触状态，作为手物交互的伪触觉信号，支持下游强化学习实现手内物体重定向并泛化至新物体。
2026-11-09 cs.AI cs.RO
Equivariant Visual-Tactile Diffusion Policy for Contact-Rich Manipulation
The Chinese University of Hong Kong（香港中文大学）；Southeast University（东南大学）
提出VISTA，一种工作空间级等变视觉-触觉扩散策略，通过球形融合与谐波旋转实现数据高效的接触丰富模仿学习，实验证明其数据效率显著优于基线。
2026-10-05 cs.AI cs.RO
Implicit Contact-Rich Manipulation Planning for a Manipulator with Insufficient Payload
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文使用一个移动机械手与协作机器人手臂操纵物体超过机器人的最大有效载荷。提出了一种基于单次概率路径图的环境支持下的操作运动规划和优化方法。该方法使用扩展的对象网格模型来检查接触，并随机探索对象运动，同时保持接触并确保负担得起的抓握力。它使用基于优化的算法获得对象运动后生成机器人运动轨迹。在所提出的方法的帮助下，我们可以计划接触丰富的操作，而无需特别分析对象的接触模式及其过渡。规划器和优化器自动确定它们。我们进行了实验和分析，使用模拟和现实世界的执行，以检查该方法的性能。它可以成功找到满足接触、力和运动学约束的操作运动，从而允许移动机械手移动重物，同时利用环境障碍物的支撑力。该方法不需要显式地分析接触状态和建立接触转移图，为机器人的无抓取操作、无接触操作和有接触操作等提供了新的视角。
2023-02-26 cs.RO
Maglev-Pentabot: Magnetic Levitation System for Non-Contact Manipulation using Deep Reinforcement Learning
Department of Electrical and Computer Engineering, University of Wisconsin-Madison（电气与计算机工程系，威斯康星大学麦迪逊分校）；Flexcompute；Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）
Maglev-Pentabot通过深度强化学习实现克级非接触操控，解决微米尺度操控限制，支持泛化运输任务和更大重量物体操控。
2025-11-26 cs.AI cs.RO
FWBC-VLA: Force-Aware Whole-Body Compensation for Contact-Rich Loco-Manipulation
Zhejiang University（浙江大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Tsinghua University（清华大学）；Zhongguancun Academy（中关村学院）；Deep Robotics（深度机器人公司）；Zhejiang University of Science and Technology（浙江科技大学）
该研究针对现有VLA模型无法解释物理交互、WBC策略无法区分任务相关力与扰动的问题，提出FWBC-VLA力感知框架，结合无传感器接触估计与补偿控制，在轮腿机器人的接触丰富型移动操纵任务中验证了有效性。
2026-09-07 cs.AI cs.RO
Simultaneous Contact Selection and Planning for Contact-Rich Manipulation with Cascaded Optimization
IEEE
提出一种级联优化框架SCSP，通过接触选择优化和接触规划优化实现接触丰富操作中的主动接触位置选择与轨迹规划。
2026-05-27 cs.RO
Decoupled limbs yield differentiable trajectory outcomes through intermittent contact in locomotion and manipulation
University of Washington（华盛顿大学）
当肢体解耦时，我们发现，在机械系统中的轨迹结果受到单边约束的初始条件的不同而不同，即使接触模式序列的变化。
2017-05-23 cs.RO
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
GenCHiP: Generating Robot Policy Code for High-Precision and Contact-Rich Manipulation Tasks
Stanford University（斯坦福大学）；Google DeepMind（谷歌DeepMind）
针对大语言模型生成机器人策略难以适配高精度富接触任务的问题，提出含交互力与刚度约束的顺应性动作空间参数化方法，结合位姿估计使LLM策略生成效果较非顺应方案提升3至4倍以上。
2024-04-09 cs.AI 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
