Hydrosoft: Non-Holonomic Hydroelastic Models for Compliant Tactile Manipulation
Department of Robotics, University of Michigan(机器人学系,密歇根大学)
针对触觉传感器柔顺性带来的非线性动力学建模挑战,提出一种计算高效的非完整水弹性模型,通过扩展状态空间显式纳入分布力,支持基于梯度的轨迹优化,仿真与真实实验验证了其有效性。
2025-09-16 cs.RO
Learning Force Control for Legged Manipulation
EPFL(洛桑联邦理工学院);University of California, San Diego(加利福尼亚大学圣迭戈分校)
该研究提出一种无需力传感的强化学习直接力控制方法,在带臂四足机器人平台实现了柔顺全身操作,支持直观遥操作,是首个学习型全身力控制在足式操作器的部署。
2024-05-20 cs.AI cs.LG cs.RO
Vision-driven Compliant Manipulation for Reliable, High-Precision Assembly Tasks
Yale University(耶鲁大学);Rutgers University(罗格斯大学)
高度受限的操作任务对自主机器人来说仍然是一个挑战,因为它们需要高精度,通常小于1 mm,这通常与传统感知系统所能实现的不兼容。本文表明,最先进的对象跟踪与被动自适应机械硬件的结合可以用来完成精确的操作任务与严格的,工业相关的公差(0.25毫米)。所提出的控制方法通过跟踪相关工作空间中物体的相对6D姿态来闭合视觉回路。它通过调整柔顺机械手和手的控制基准来完成手内操作的物体插入任务。与以前的插入努力相反,我们的方法不需要昂贵的力传感器,精密的操纵器,或耗时的,在线学习,这是数据饥饿。相反,这项工作利用了机械合规性,并利用了离线学习的手的对象不可知操作模型、现成的运动规划以及仅使用合成数据训练的基于RGBD的对象跟踪器。这些功能使所提出的系统可以很容易地推广和转移到新的任务和环境。本文详细介绍了系统的组成部分,并展示了其功效与广泛的实验,涉及紧公差钉孔插入各种几何形状的任务,以及开放世界的约束放置任务。
2021-06-26 cs.AI cs.CV cs.RO
Robust Anthropomorphic Robotic Manipulation through Biomimetic Distributed Compliance
CREATE Lab, EPFL(CREATE实验室,洛桑联邦理工学院)
本研究模仿人手分布式柔顺性设计出具备皮肤、手指、手腕可调柔顺性的ADAPT Hand,大幅提升仿人机器人开环抓取鲁棒性,抓取表现接近理论极限且类人相似度达68%。
2024-04-14 cs.RO
Adaptive Compliance Policy: Learning Approximate Compliance for Diffusion Guided Control
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
本文提出自适应柔顺策略(ACP)框架,通过学习人类示范动态调整空间和时间上的系统柔顺性,以解决视觉运动策略忽略柔顺性的问题,在富接触操作任务中性能提升超50%。
2025-03-07 cs.RO
CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation
Seoul National University(首尔大学);Microsoft Research Asia(微软亚洲研究院)
针对现有VLA模型缺乏柔顺控制导致接触丰富任务性能差的问题,提出联合预测运动与刚度矩阵的CompVLA框架,通过柔顺专家模块和阻抗控制提升成功率,实验验证其有效性。
2026-11-09 cs.RO
A Soft-Rigid Hybrid Gripper with Lateral Compliance and Dexterous In-hand Manipulation
Southern University of Science and Technology(南方科技大学)
软夹持器由于其基于顺应性的交互安全性和灵活性而受到越来越多的关注。混合式手爪(通过刚性约束增强柔性驱动器)是柔性手爪设计的新趋势。通过软执行器驱动正确的结构部件,它们可以实现出色的抓取适应性和有效载荷,同时也易于使用传统运动学建模和控制。然而,现有的工作主要集中在实现优越的有效载荷和感知与简单的平面夹持器,导致远不如传统的抓手灵巧。在这项工作中,我们从人类掌指关节(MCP)的灵感,并提出了一种新的混合夹具设计与8个独立的肌肉。结果表明,增加MCP的复杂性是至关重要的,使一系列的新功能,在混合夹持器,包括在手的操作,横向被动顺应性,以及新的控制模式。在我们专有的具有视觉引导抓取的双臂机器人平台上制造并测试了原型夹持器。由于采用了非常轻便的气动波纹管软执行器,该夹持器可以抓取超过其自身重量25倍的物体,并具有横向顺应性。使用双臂平台,高度拟人化的灵巧操作,证明了使用两个混合夹具,从拔河的刚性杆,通过两个夹具之间的软毛巾使用手操作。匹配的新功能和性能规格的建议的混合夹具,底层建模,驱动,控制和实验验证的细节也被提出,提供了一个有前途的方法,以实现增强灵巧性,强度,并符合机器人夹具。
2021-10-19 cs.RO
Leveraging Passive Compliance of Soft Robotics for Physical Human-Robot Collaborative Manipulation
Brigham Young University(杨百翰大学)
本文通过气动连续体软体机械臂与全向移动基座组成的系统,基准测试了大型软体机器人与人协作操控长形物体的能力,结果表明其表现可媲美人类非视觉跟随者,并挑战了软体机器人力量受限的传统认知。
2025-04-11 cs.RO
HACo: Learning Haptic Active Compliance for Force-Aware Dexterous Manipulation
The University of Hong Kong(香港大学);Beijing Academy of Artificial Intelligence (BAAI)(北京人工智能研究院);Johns Hopkins University(约翰霍普金斯大学)
HACo通过触觉主动柔顺策略,利用指尖触觉和关节力矩反馈直接学习力调节动作,在真实基准上以83%成功率远超基线,实现无需显式接触建模的闭环力调节。
2026-10-14 cs.RO
Towards Robotic Feeding: Role of Haptics in Fork-based Food Manipulation
Paul G. Allen School of Computer Science and Engineering, University of Washington(保罗·G·艾伦计算机科学与工程学院,华盛顿大学)
自主喂养是具有挑战性的,因为它需要操纵具有各种顺应性、大小和形状的食物。为了了解人类在喂食过程中如何操纵食物,并探索如何使他们的策略适应机器人,我们收集了丰富的人类轨迹数据集,要求他们拿起食物并将其喂给人体模型。从所收集的触觉和运动信号的分析,我们表明,人类适应他们的控制策略,以适应被收购的食品的合规性和形状。我们提出了一个分类的操纵策略喂养,以突出这些政策。作为第一步,以产生合规性依赖的政策,我们提出了一套分类器的合规性为基础的食品分类从触觉和运动信号。我们比较这些人的操作策略与固定位置控制策略,通过机器人。我们对人类和机器人政策的成功和失败案例的分析进一步强调了使政策适应食品合规性的重要性。
2019-02-24 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
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
Learning Variable Compliance Control From a Few Demonstrations for Bimanual Robot with Haptic Feedback Teleoperation System
OMRON SINIC X Corporation(欧姆龙SINIC X公司);The University of Tokyo(东京大学)
针对刚性机器人在富接触任务中难以适应环境的问题,提出结合VR触觉反馈遥操作界面与基于Transformer动作分块的Comp-ACT方法,从少量示范中学习变柔顺控制,有效提升了机器人灵巧操作的适应性与安全性。
2024-09-26 cs.AI cs.LG cs.RO
PaCo-VLA: Passivity-Shielded Compliance Prior for Contact-Rich Vision-Language-Action Manipulation
Southwest Jiaotong University(西南交通大学);University of Leeds(莱斯特大学)
提出PaCo-VLA框架,通过被动屏蔽将VLA模型输出转化为任务级柔顺建议,并利用能量罐和边界检查防止无效预测绕过底层接触物理,实现安全精确的富接触操控。
2026-09-21 cs.AI cs.RO cs.SY
TDC: Sim-to-Real Transferable Directional Compliance for Contact-Rich Manipulation
Zhejiang University(浙江大学);Zhejiang Humanoid Robot Innovation Center(浙江人形机器人创新中心)
本文提出了一种通过学习力方向来提升模拟到现实接触丰富操作性能的方法,利用专家设计的控制器逻辑和有限状态机,在四个真实任务中实现了更高的成功率和鲁棒性。
2026-10-06 cs.RO
Complex In-Hand Manipulation via Compliance-Enabled Finger Gaiting and Multi-Modal Planning
Yale University(耶鲁大学);Rice University(莱斯大学);Rutgers University(罗格斯大学)
将接触约束为在操纵期间保持固定在对象上会限制潜在的工作空间大小,因为运动受制于手的运动学拓扑。手指步态是减轻这种限制的一种方法。它允许触点自由断开和重新连接,以便在不同的操作歧管上操作。然而,这种能力传统上难以或不可能实际实现。手指步态系统必须同时计划和控制物体上的力,同时在触点切换期间保持稳定性。这项工作通过利用系统顺应性来简化传统要求,允许手在保持稳定抓握的同时更容易地切换触点。我们的方法实现了完整的SO(3)手指步态控制的抓持对象对重力通过开发一个操纵规划器,通过正交安全模式的兼容,欠驱动的手没有触觉传感器或关节编码器。在操作过程中,低延迟的6D姿态对象跟踪器通过视觉提供反馈,允许规划器在线更新其计划,以便自适应地从轨迹偏差中恢复。该方法的有效性是通过在一个真实的机器人上操纵凸和非凸物体来展示的。其鲁棒性通过扰动抑制和长轨迹目标进行评估。据作者所知,这是第一个通过手指步态和无支撑表面自主实现完全SO(3)控制手内物体的工作,阐明了实现真正机器人手内操作能力的宝贵一步。
2022-01-20 cs.RO
Learning Compliance Adaptation in Contact-Rich Manipulation
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
柔顺的机器人行为是实现富接触操作任务的关键。在这些任务中,重要的是确保正常任务执行期间的高刚度和力跟踪精度,以及对异常情况和变化做出反应的快速适应和投诉行为。在本文中,我们提出了一种新的方法,用于学习接触丰富的任务所需的力分布预测模型。这种模型允许检测意外情况,并有助于更好的自适应控制。该方法结合了基于双向门控递归单元(Bi-GRU)的异常检测和自适应力/阻抗控制器。在一个人形机器人的仿真和真实实验中,我们对该方法进行了评估,结果表明,该方法可以同时实现对期望运动和力分布的高跟踪精度,以及对由于物理人类交互引起的力扰动的适应性。
2020-05-01 cs.LG cs.RO
CATCH-FORM-ACTer: Compliance-Aware Tactile Control and Hybrid Deformation Regulation-Based Action Transformer for Viscoelastic Object Manipulation
School of Automation Science and Engineering, South China University of Technology(华南理工大学自动化科学与工程学院);Institute for Super Robotics (Huangpu)(黄埔智能机器人研究院)
针对刚性机器人自动化粘弹性物体富接触操作的挑战,提出CATCH-FORM-ACTer,结合ACT框架增强CATCH-FORM-3D,通过LfD构建长时程序列并实时调整参数,实验成功率较传统方法高10%-20%。
2025-04-11 cs.RO
Efficient Sim-to-real Transfer of Contact-Rich Manipulation Skills with Online Admittance Residual Learning
University of California at Berkeley(加州大学伯克利分校)
提出混合离线-在线框架,通过无模型强化学习获取运动与柔顺参数,在线学习残差以提升性能,在装配、旋转和拧螺丝任务上验证了有效性。
2023-10-16 cs.RO
Development of the Bioinspired Tendon-Driven DexHand 021 with Proprioceptive Compliance Control
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);DEXROBOT CO., LTD.(德克斯机器人有限公司)
本文开发了重1kg、具有19个自由度的腱驱五指灵巧手DexHand 021,提出基于本体感知力感知的导纳控制方法,实现高精度力估计与柔顺操作,成功完成33种GRASP抓取动作。
2025-11-09 cs.AI cs.RO
A Modular Continuum Manipulator for Aerial Manipulation and Perching
Stevens Institute of Technology(史蒂文斯理工学院)
大多数的空中机械手采用串联刚性连杆设计,这会导致在操作过程中初始接触时产生很大的力,并可能导致飞行稳定性困难。这种限制可能会得到改善的连续操作器的遵守。为了实现这一目标,我们提出了一种新颖的设计,紧凑,轻便,模块化的电缆驱动的连续操作器的航空无人机。然后,我们推导出一个完整的建模框架,其运动学,静力学和刚度(遵守)。该框架是必不可少的机械手集成到空中无人机。最后,我们报告的硬件原型的初步实验验证,其操作的可行性提供见解。未来的工作包括集成和测试所提出的连续机械手与空中无人机。
2022-06-13 cs.RO
Current as Touch: Proprioceptive Contact Feedback for Compliant Dexterous Manipulation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
研究提出基于本体感受的框架,从电机电流和关节状态学习接触感知线索,预测柔顺参考位置,兼容主流遥操作和策略学习流程,实验表明无需外部触觉或力传感器也能实现稳定柔顺抓取等。
2026-07-07 cs.RO
RealAppliance: Let High-fidelity Appliance Assets Controllable and Workable as Aligned Real Manuals
Peking University(北京大学);Jingdong Technology Information Technology Co., Ltd(京东科技信息技术有限公司)
RealAppliance通过高保真家电资产和对齐手册的基准测试,推动家电操控技术的发展。
2025-11-29 cs.AI cs.CV cs.RO
CR-VLA-Force: Learning Control-aware Compliance VLA Model for Robust Contact-rich Robotic Manipulation
Huawei Technologies Co., Ltd.(华为技术有限公司);South China University of Technology(华南理工大学);The Hong Kong Polytechnic University(香港理工大学)
提出控制感知柔顺VLA框架,采用多模态专家混合与多阶段训练,结合自适应柔顺控制器,提升接触丰富操作中的力跟踪精度与成功率。
2026-09-09 cs.RO
Learning Diffusion Policies from Demonstrations For Compliant Contact-rich Manipulation
OMRON SINIC X Corporation(欧姆龙SINIC X公司);Department of Engineering Science, Osaka University(大阪大学工程科学系)
针对富接触操作中稳定接触与力控制难题,提出DIPCOM扩散策略框架,从演示学习末端位姿与刚度调节,并通过真实任务验证其优势。
2024-10-25 cs.AI cs.RO
CheckManual: A New Challenge and Benchmark for Manual-based Appliance Manipulation
CFCS, School of Computer Science, Peking University(计算机学院,北京大学);PKU-Agibot Lab(北京大学Agibot实验室)
针对现有操作研究忽视说明书作用、相关研究局限于问答的问题,本文提出首个基于说明书的家电操作基准CheckManual,构建配套数据、挑战与仿真环境,并提出基线模型ManualPlan。
2025-06-11 cs.CV cs.RO
A Unified Control Architecture for Macro-Micro Manipulation using a Active Remote Center of Compliance for Manufacturing Applications
Institute for Robotics and Intelligent Production Systems University of Applied Sciences Karlsruhe (HKA)(机器人与智能生产系统研究所 卡尔施塔特应用科学大学(HKA))
提出一种将宏操作器纳入主动交互控制的新架构,相比现有领先-跟随方法将控制带宽提升2.1倍,相比传统力控制提升12.5倍,并引入替代模型简化控制器设计。
2026-06-15 cs.RO
ManualVLA: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation
State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室,计算机学院,北京大学);The Chinese University of Hong Kong(香港中文大学);Simplexity Robotics Project(Simplexity机器人项目)
ManualVLA通过融合多模态手册生成与动作执行,提升机器人长周期任务中的规划与操作能力。
2025-12-01 cs.RO
In-the-Wild Compliant Manipulation with UMI-FT
Department of Electrical Engineering, Stanford University(电气工程系,斯坦福大学);Department of Mechanical Engineering, Stanford University(机械工程系,斯坦福大学)
UMI-FT通过紧凑的六轴力/扭矩传感器和多模态数据训练自适应合规策略,在现实环境中实现可靠力控制和抓取性能。
2026-01-15 cs.RO
CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation
NVIDIA;Stanford University(斯坦福大学);UT Austin(得克萨斯大学奥斯汀分校)
CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度,无需额外调优即可完成多种力量操作任务。
2026-02-09 cs.LG cs.RO
CATCH-FORM-3D: Compliance-Aware Tactile Control and Hybrid Deformation Regulation for 3D Viscoelastic Object Manipulation
School of Automation Science and Engineering, South China University of Technology(华南理工大学自动化科学与工程学院);Institute for Super Robotics (Huangpu)((黄埔)超级机器人研究所)
本文提出CATCH-FORM-3D框架,通过PDE建模与内外环控制实现三维粘弹性物体操作中的精确接触力控制和亚毫米级变形调节。
2025-04-11 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
Deep Model Predictive Variable Impedance Control
Norwegian University of Science and Technology (NTNU)(挪威科技大学);Aalto University(阿尔托大学)
本文提出融合变阻抗控制与MPC的深度模型预测变阻抗控制器,通过信息增益最大化探索学习广义笛卡尔阻抗模型,并在Franka Panda上验证其跨任务免微调的柔顺控制性能。
2022-09-20 cs.RO
A Lightweight Modular Continuum Manipulator with IMU-based Force Estimation
Stevens Institute of Technology(史蒂文斯理工学院)
大多数的空中机械手采用串联刚性连杆设计,这会导致在操作过程中初始接触时产生很大的力,并可能导致飞行稳定性困难。这种限制可能会得到改善的连续操作器的遵守。为了实现这一目标,我们提出了一种新颖的设计,紧凑,轻便,模块化的电缆驱动的连续操作器的航空无人机。然后,我们推导出一个完整的建模框架,其运动学,静力学和刚度(遵守)。建模框架可以指导控制和设计问题,以集成的机械手的无人机。此外,由于推导出的刚度(顺应性)矩阵,并使用低成本的IMU传感器来捕获变形角,我们提出了一种简单的方法来估计在机械手的尖端操纵力。我们报告的硬件原型的初步实验验证,其操作的可行性提供见解。我们还报告了基于IMU的力估计方法的初步结果。
2022-11-21 cs.RO
BiGym: A Demo-Driven Mobile Bi-Manual Manipulation Benchmark
Dyson Robot Learning Lab(戴森机器人学习实验室)
本研究推出面向移动双臂演示驱动操作的基准BiGym,含40项家庭环境任务与人类演示数据,支持多模态观测,通过测试主流算法验证了其可用性并指明未来方向。
2024-07-11 cs.AI cs.CV cs.LG
Manual2Skill: Learning to Read Manuals and Acquire Robotic Skills for Furniture Assembly Using Vision-Language Models
National University of Singapore(新加坡国立大学);University of Toronto(多伦多大学);Peking University(北京大学);Sichuan University(四川大学);Zhejiang University(浙江大学)
本文提出 Manual2Skill 框架,利用 VLM 解析手册图像、构建分层组装图,并结合 6D 位姿估计与运动规划,实现真实 IKEA 家具的高效精确组装。
2025-10-18 cs.AI 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
Surface-based Manipulation Using Tunable Compliant Porous-Elastic Soft Sensing
Soft BioRobotics Perception Group at Istituto Italiano di Tecnologia(意大利技术研究院软生物机器人感知组);University of Genoa(热那亚大学);Biorobotics Institute, Scuola Superiore Sant’Anna(圣安娜高等学院生物机器人研究所);Soft Robotics Lab, National University of Singapore(新加坡国立大学软机器人实验室)
本文提出了一种可调合规 porous-弹性柔软感知系统,通过调整晶格密度实现对操作力和灵敏度的自适应调节,用于精细物体操作。
2026-02-24 cs.RO
Scaling Manual-Grounded Appliance Manipulation with Data Synthesis and Unified Planning
Center on Frontiers of Computing Studies, School of Computer Science, Peking University(北京大学计算机学院计算前沿研究中心);Beijing University of Aeronautics and Astronautics(北京航空航天大学);Jingdong Technology Information Technology Co., Ltd(京东科技信息技术有限公司)
针对现有大模型缺乏支持基于手册的家电操作规划的数据集的问题,提出MAGE数据合成流水线构建UseAppliance数据集,开发AppliancePlan模型,在RealAppliance-Bench和真实机器人实验中表现优异,推进通用家用机器人发展。
2026-08-18 cs.AI cs.CL cs.CV
Plug, Play and Comply: Plugin-Based Compliant Control in ROS 2
College of Information Science and Technology, Eastern Institute of Technology(信息科学与技术学院,东方理工学院);Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin, Eastern Institute of Technology(浙江省工业智能与数字孪生重点实验室,东方理工学院)
该论文提出与机器人无关的柔顺控制框架,通过插件架构分离控制器与控制律,标准化接口支持多种控制公式。其参考笛卡尔阻抗控制器可在线更新柔顺方向,实验和仿真验证了在不同操纵器上的任务相关柔顺性及可移植性。
2026-10-27 cs.RO
Variable compliance and geometry regulation of Soft-Bubble grippers with active pressure control
Toyota Research Institute (TRI)(丰田研究所(TRI))
虽然柔性抓取器在机器人操作中变得越来越普遍,但找到合适的刚度和几何形状来抓取各种各样的物体仍然是一个关键挑战。在飞行中调整刚度和夹持器几何形状两者可以提供操纵在家庭环境中发现的大范围物体所需的多功能性。我们提出了一个系统,用于主动控制的几何形状(充气水平)和软泡夹持器的顺应性-空气填充,高度顺应性的平行夹持器的手指纳入视觉触觉传感。所提出的系统,使大的,控制的变化夹持手指的几何形状和把握刚度,以及简单的手操纵。我们还证明,尽管有这些变化,先进的感知能力,如密集的几何形状和剪切力测量的持续可行性-我们提出了一个简单的扩展,我们以前提出的方法测量剪切引起的位移使用内部成像传感器,并考虑到压力和几何形状的变化。我们量化的控制变化的抓自由的几何形状,把握刚度和接触补丁的几何形状导致的压力调节,我们展示了新的能力,在家里的抓地力在有限的空间,操纵工具,需要较低和较高的刚度把握,以及接触补丁调制。
2021-03-15 cs.RO
Compliant Beaded-String Jamming For Variable Stiffness Anthropomorphic Fingers
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
本文提出一种用于拟人手指的柔顺关节阻塞机制,兼具被动残余柔顺性与可调刚度,刚度范围0.48至1.95 Nm/rad,并在孔轴装配任务中比刚性夹持器成功率提高60%。
2025-02-06 cs.RO
Learning thin deformable object manipulation with a multi-sensory integrated soft hand
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Hong Kong University of Science and Technology(香港理工大学)
针对机器人操作薄型可变形物体的难题,提出集成被动顺应性软手与多感官反馈的无模型强化学习方案,实现无需精确控制的灵巧操作,并在真实机器人上完成展示布料和翻乐谱等任务。
2025-07-08 cs.RO
Bi-Manual Manipulation and Attachment via Sim-to-Real Reinforcement Learning
Google Research(谷歌研究院)
机器人操作的大多数成功都局限于单臂机器人,这将可解决的任务范围限制在拾取和放置,插入和对象重排。相比之下,双臂和多臂机器人平台可以解决各种各样的问题,例如衣物折叠和烹饪技能。然而,开发多臂机器人的控制器是复杂的一些独特的挑战,如需要协调双手的行为,和机器人之间的碰撞避免。考虑到这些挑战,在这项工作中,我们研究如何使用在模拟中训练的强化学习(RL)来解决双手动任务,这样所产生的策略就可以在真正的机器人平台上执行。我们的RL方法由于使用实时(4 Hz)联合空间控制并直接将未过滤的观察结果传递给神经网络策略,从而实现了显着的简化。我们还广泛讨论了我们的模拟环境,导致有效的培训RL政策的修改。除了设计控制算法外,一个关键的挑战是如何为强调双手协调的双手机器人设计公平的评估任务,同时消除正交复杂因素,如高级感知。在这项工作中,我们设计了一个连接任务,其目标是两个机器人手臂拿起并连接两个具有磁性连接点的块。我们使用两个xArm 6机器人和带有磁性附件的3D打印块来验证我们的方法,并发现我们的系统在拾取块时具有100%的成功率,在连接任务中具有65%的成功率。
2022-03-15 cs.AI cs.LG cs.RO
Learning compliant grasping and manipulation by teleoperation with adaptive force control
Hunan University(湖南大学);Bielefeld University(比勒费尔德大学);University of the West of England(西英格兰大学)
在这项工作中,我们专注于提高机器人的灵巧能力,利用视觉传感和自适应力控制。TeachNet是一个基于视觉的遥操作学习框架,用于将人手姿态映射到多指机器人手。我们增强TeachNet,这是最初基于不精确的运动映射和位置伺服,与仿生学习为基础的顺应性控制算法灵巧的操作任务。该柔顺控制器以TeachNet中映射的机器人关节角度为目标,计算期望的关节力矩。它是从人类运动学习中的仿生控制策略的计算模型导出的,其允许在执行参考关节角度轨迹期间在线调整控制变量(阻抗和前馈力)。阻抗和前馈曲线的同时适应使机器人能够以顺应的方式与环境交互。我们的方法已经在物理模拟中的多个任务中得到验证,即,抓握、开门、转动帽子和触摸鼠标,并且已经显示出比现有的位置控制和基于固定增益的力控制方法更可靠的性能。
2021-07-21 cs.RO
Design of Adaptive Compliance Controllers for Safe Robotic Assembly
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
插入操作是大多数机器人装配操作的关键要素,并且钉孔(PiH)插入是工业和学术操纵社区中最广泛研究的任务之一。PiH插入实际上是一整类问题,其中问题的复杂性可以取决于插入尝试期间的未对准和接触形成的类型。在本文中,我们提出了自适应顺应性控制器的设计和分析,可用于插入型装配任务,包括基于学习的顺应性控制器,可用于插入问题中存在的不确定性,在机器人装配过程中的目标位置。我们首先提出了顺应性控制器的设计,它可以确保安全操作的机器人,通过限制经验丰富的接触力在接触形成。因此,我们提出了接触形成过程中获得的力签名的分析,以了解执行插入所需的纠正措施。最后,我们使用建议的合规性控制器和学习模型来设计一个政策,可以成功地执行插入在新的测试条件下,几乎完美的成功率。我们验证所提出的方法在物理机器人试验台上使用6自由度机械臂。
2022-04-22 cs.RO
Dataset-Free Compliant Humanoid Loco-Manipulation with Dynamic Online Posture
University of California San Diego(加州大学圣迭戈分校);Yonsei University(延世大学)
提出OCLO系统,无需人类数据,仅通过末端执行器目标实现人形机器人移动操作,利用解析可达性先验和策略在环细化生成姿态,并学习全身顺从性,显著提高成功率并保持平衡。
2026-11-13 cs.RO
Soft-bubble: A highly compliant dense geometry tactile sensor for robot manipulation
Toyota Research Institute(丰田研究院)
实现有效的触觉感知和机械顺应性是使机器人在未知、不确定和混乱的环境中稳健和安全操作的关键。为了实现这一目标,我们提出了一个轻量级的,易于构建,高度兼容的密集几何传感器和末端执行器,包括一个充气乳胶膜与深度sensor. We提出的动机和硬件设计,这个软泡,并通过示例任务,包括战斗对象分类,姿态估计和跟踪,和non-objectile对象操作演示其功能。我们还提出了初步的实验,以显示高分辨率的几何感知触觉任务的重要性,并讨论了鲁棒操纵中的应用。
2019-04-03 cs.RO
Prompt-to-Product: Generative Assembly via Bimanual Manipulation
Carnegie Mellon University(卡内基梅隆大学)
本文提出 Prompt-to-Product 自动化流程,结合 LEGO 积木生成式设计与双臂机器人操作,从自然语言提示直接构建真实装配产品,显著降低装配创作门槛和人工成本。
2025-08-28 cs.AI cs.RO
Sashimi-Bot: Autonomous Tri-manual Advanced Manipulation and Cutting of Deformable Objects
Robotics and Intelligent Automation(机器人与智能自动化);SINTEF Ocean(SINTEF海洋);Department of Computer Science(计算机科学系);NTNU - Norwegian University of Science and Technology(挪威科学与技术大学);QUT Centre for Robotics(昆士兰大学机器人中心);Queensland University of Technology(昆士兰技术大学);Inria, University of Rennes, CNRS, IRISA(Inria、里昂大学、法国国家科学研究中心、IRISA);CSAIL(计算机科学与人工智能实验室);MIT - Massachusets Institute of Technology(麻省理工学院);RealTek;Norwegian University of Life Sciences (NMBU)(挪威生命科学大学(NMBU))
针对可变形体积物体操作的挑战,本文提出Sashimi-Bot自主多机器人系统,通过三手协作结合深度强化学习与多模态反馈,实现鲑鱼腰肉的拉直、切割和拾取,为可变形物体操作提供新方案并推动相关现实应用。
2025-11-14 cs.RO
A Methodology for Approaching the Integration of Complex Robotics Systems Illustrated through a Bi-manual Manipulation Case-Study
Ocado Technology(奥卡多科技公司)
机器人的多学科性需要强大的集成方法,可以促进在工业应用中采用最先进的研究组件。不幸的是,没有明确的、社区接受的指导方针或标准来定义这些组件在单个机器人系统中的集成。在本文中,我们提出了一种方法,评估候选系统的软件组件的基础上所需的努力,以整合它们和它们的整合将对目标系统的影响。我们演示了如何使用工业工具包装系统作为一个例子,这种方法可以应用。该系统集成了广泛的内部和第三方研究成果和软件组件。我们证明了我们的方法的有效性,通过评估系统性能的实验基准,评估系统的鲁棒性,可靠性和运行速度给定的包装任务。我们还演示了如何使用我们的方法来预测组件所需的集成时间。所提出的集成方法可以应用于任何机器人系统,以促进其从研究过渡到工业环境。
2021-03-18 cs.RO
Soft and Compliant Contact-Rich Hair Manipulation and Care
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
本文提出软体机器人系统MOE-Hair,用于头部轻拍、梳理和抓发等护发任务,通过视觉形变与肌腱张力融合估计力,在降低施加力的同时保持抓发效果,用户研究证实其舒适性和有效性更优。
2025-10-26 cs.RO
Bi-Manual Block Assembly via Sim-to-Real Reinforcement Learning
Google Research(谷歌研究院);Carnegie Mellon University(卡内基梅隆大学)
大多数成功的机器人操作已被限制在单臂夹持机器人,其灵活性低,限制了范围内的可解决的任务,拾取和放置,插入,和对象的重排。更复杂的任务,如装配,需要双臂和多臂平台,但也带来了一系列独特的挑战,如双臂协调和避免碰撞,稳健的抓取和长期规划。在这项工作中,我们研究了在模拟中训练深度强化学习(RL)策略并将其转移到现实世界(Sim 2 Real)的可行性,作为一种通用方法,用于获得真实世界双手动机器人操作任务的性能控制器。作为双手操作的试验平台,我们开发了U型磁块装配任务,其中两个机器人具有平行的夹具必须连接3个磁块形成U形。没有手动设计的控制器,也没有人的演示,我们证明,通过仔细的Sim 2 Real考虑,我们的策略在仿真中使用RL训练,使两个xArm 6机器人能够解决U形装配任务,在仿真中的成功率超过90%,在真实硬件上的成功率为50%,而无需任何额外的真实世界的微调。通过仔细的消融,我们强调了系统的每个组成部分是如何对这种简单而成功的策略学习和转移至关重要的,包括任务规范,学习算法,直接关节空间控制,行为约束,感知和驱动噪声,动作延迟和动作插值。我们的研究结果为真实硬件上的双臂能力向前迈出了重要的一步,我们希望我们的系统可以激发未来对双手动策略的深度RL和Sim 2 Real传输的研究,大幅提升现实世界机器人操作器的能力。
2023-03-27 cs.AI cs.LG cs.RO
Tensegrity Continuum Robots Enable Task-Adaptive Morphologies for Cooperative Behaviors
该研究提出结合张拉整体柔顺主体与爪式连接机构的模块化可重构机器人,可自重构为不同形态完成协同任务,为多功能机器人群体应用奠定基础。
2026-09-28 cs.RO