IsaacIPC: Coupling High-Fidelity Simulation and Realistic Rendering for Contact-Rich Robotic Systems
Anker Humanoid Lab（安ker人形实验室）；The University of Hong Kong（香港大学）
提出IsaacIPC框架，通过耦合GPU加速增量势接触(IPC)与IsaacSim/Lab，实现仿真与视觉网格间的变形映射，并引入几何砂浆接触势(GMCP)改善触觉传感中的接触压力分布，支持刚柔耦合机器人仿真。
2026-05-23 cs.RO
Variations of Augmented Lagrangian for Robotic Multi-Contact Simulation
Seoul National University（首尔大学）
本文提出基于增广拉格朗日理论的两类多接触NCP求解器CANAL与SubADMM，分别实现高精度稳健求解与高计算效率、可扩展性，并在机器人操作场景中验证其有效性。
2025-02-24 cs.RO
Robotic Contact Juggling
Northwestern University（西北大学）；Northwestern Institute on Complex Systems（西北复杂系统研究所）
我们将“机器人接触杂耍”定义为有目的地控制三维光滑物体的运动，因为它在运动控制的机器人操纵器或“手”上自由滚动。“虽然之前已经研究了机器人接触杂耍的具体例子，但在本文中，我们为任意光滑手上单点滚动接触的任意光滑物体的情况提供了第一个通用公式和求解方法。我们的公式将问题分为四个子问题：（1）推导二阶滚动运动学;（2）推导三维滚动动力学;（3）规划满足滚动动力学的滚动运动;（4）规划滚动轨迹的反馈稳定。仿真和实验结果表明，从高速视觉系统的反馈的理论结果。
2023-02-24 cs.RO
Contact Models in Robotics: a Comparative Analysis
Inria（法国国家信息与自动化研究所）；École normale supérieure（巴黎高等师范学院）；PSL Research University（巴黎文理研究大学）；LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）；Czech Institute of Informatics, Robotics and Cybernetics（捷克信息学、机器人学与控制论研究所）；Czech Technical University（捷克技术大学）
本文综述了机器人学中的接触模型与数值方法，提出基于理论的定量基准，并通过开源C++实现评估各物理引擎，揭示常用近似可能扩大现实差距，以推动新模型与求解器的发展。
2024-07-21 cs.RO
Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation
Nanyang Technological University（南洋理工大学）
本文提出机器人基础模型Facet-0，通过联合动作-力提议等技术，在ManuFacet-1K上训练后，五项亚毫米计算机装配任务平均成功率达82%，远超基线的15%，实现精密接触型机器人装配。
2026-09-02 cs.LG cs.RO
A Fast Gear-Shifting Actuator for Robotic Tasks with Contacts
Universite de Sherbrooke（舍布鲁克大学）；Massachusetts Institute of Technology（麻省理工学院）
车辆动力系统使用可变传动（多个齿轮比），以最大限度地减少电机尺寸和最大限度地提高效率，同时满足广泛的工作点。机器人同样可以从可变传动中受益，以减轻重量并提高能效;从而为移动和可穿戴机器人系统带来潜在的突破性改进。然而，机器人环境中的可变变速器导致关于换挡方法的新挑战：1）期望减速比的数量级变化，以及2）在操纵/移动任务期间的接触情况导致在需要换挡时的冲动行为。本文提出了一种致动器与换档方法，可以无缝地改变两个非常不同的减速比在动态接触的情况。实验结果表明，在与刚性物体接触期间，能够在不到30 ms的时间内执行从1：23减速到1：474减速的换档。
2022-05-30 cs.RO
Fast and Accurate Data-Driven Simulation Framework for Contact-Intensive Tight-Tolerance Robotic Assembly Tasks
Seoul National University（首尔国立大学）；Samsung Research（三星研究院）
我们针对接触密集型紧公差机器人装配任务提出了一种新型快速准确的仿真框架。我们的框架的关键组成部分如下：1）具有特定可变输入网络的数据驱动的接触点聚类，该网络针对模拟精度（使用真实的实验数据）进行明确训练，并且能够适应复杂/非凸的物体形状; 2）接触力求解，其精确/鲁棒地执行接触的物理学（即，3）利用神经网络的接触检测，该神经网络对于每个接触点是并行的，因此，即使对于复杂形状的物体，也可以非常快速地计算，而不需要穷尽的成对测试; 4）采用PMI（被动中点积分）的时间积分，其离散时间无源性提高了整体仿真精度、稳定性和速度。然后，我们实现我们提出的框架，两个广泛遇到的/基准的接触密集型紧公差的任务，即，钉孔装配和螺栓螺母装配，并验证其速度和准确性对真实的实验数据。值得一提的是，我们提出的仿真框架也适用于其他一般的接触密集型紧公差机器人装配任务。我们还比较了它与其他物理引擎的性能，并通过虚拟螺栓连接任务的触觉渲染来证明它的鲁棒性。
2022-02-26 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
Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control
Princeton University（普林斯顿大学）
本研究提出扩散策略与L1启发自适应控制器耦合的框架，实现建筑接触丰富型机器人装配的零样本仿真到真实迁移，在多类任务中取得高成功率，降低真实数据需求，推进多阶段装配自动化。
2026-08-25 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
CONTACT: CONtact-aware TACTile Learning for Robotic Disassembly
Department of Industrial Engineering, Purdue University（工业工程系，普渡大学）；Department of Mechanical Engineering, Texas A&M University（机械工程系，德克萨斯农工大学）
CONTACT通过对比视觉、触觉RGB和触觉力场三种感知配置，发现触觉力场在机器人拆解任务中表现最佳，尤其在接触依赖和变形场景中效果显著。
2026-07-22 cs.RO
DecompGrind: A Decomposition Framework for Robotic Grinding via Cutting-Surface Planning and Contact-Force Adaptation
Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；Keio University（庆应义塾大学）；Kyoto University（京都大学）；Advanced Telecommunications Research Institute International (ATR)（国际电气通信基础技术研究所）
本文提出DecompGrind框架，通过分解磨削过程为去除形状规划和接触力适应，解决不同形状和材料硬度工件的高效磨削问题，实现安全接触力控制。
2026-03-30 cs.RO
Allowing Safe Contact in Robotic Goal-Reaching: Planning and Tracking in Operational and Null Spaces
UC Berkeley（加州大学伯克利分校）；X, The Moonshot Factory（X（登月工厂））；Intrinsic Innovation LLC（Intrinsic创新有限责任公司）；Google Research（谷歌研究院）
近年来，在机器人操作方面取得了令人印象深刻的成果。虽然许多努力集中在产生无碰撞的参考信号，很少允许机器人身体和环境之间的安全接触。然而，在人类的日常操作中，手臂与障碍物之间的接触是普遍的，甚至是必要的。本文研究了机器人操作过程中允许安全接触的好处，并主张在操作空间和零空间中生成和跟踪合规参考信号。此外，为了优化碰撞允许的轨迹，我们提出了一个混合求解器，集成了基于采样和梯度的方法。我们评估所提出的方法在五个模拟和现实世界的环境中具有不同的碰撞条件的目标达成的任务。我们表明，允许安全接触提高了达到目标的效率，并提供了可行的解决方案，在高度碰撞的情况下，无碰撞约束不能强制执行。此外，我们证明了零空间规划，除了操作空间，提高了轨迹安全性。
2022-10-31 cs.RO
Contact Anticipation for Physical Human-Robot Interaction with Robotic Manipulators using Onboard Proximity Sensors
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们提出了一个框架，机器人机械手避障和故意的物理相互作用。随着人类和机器人开始在工作和家庭环境中共存，纯粹的碰撞避免是不够的，因为人类与机器人的接触是不可避免的，并且在某些情况下是期望的。我们的工作使机械手能够预测，检测和采取行动的接触。为了实现这一点，我们允许有限的偏差，从机器人的原始轨迹，通过速度降低和运动限制。然后，如果发生接触，机器人可以检测到它和机动的基础上一种新的动态接触阈值算法。这项工作的核心贡献是动态接触阈值，它允许一个机械手与板载接近传感器跟踪附近的物体，并减少接触力的碰撞预期。我们的框架在物理人机交互过程中的自然行为。我们使用Franka Panda机器人手臂在各种场景下评估了我们的系统;总的来说，我们的结果表明，我们的贡献不仅能够避免接触并对接触做出反应，而且还能预测接触。
2021-11-30 cs.RO
Contact Tooling Manipulation Control for Robotic Repair Platform
Argonne National Laboratory（阿贡国家实验室）
本文研究机器人修复平台中动态接触工具操作的控制方法，比较混合位置-力控制、导纳控制、双边遥操作、虚拟夹具和共享控制在不同环境下的适用性与效果，为真实修复场景提供控制策略选择依据。
2024-11-21 cs.RO
Robotic Assembly across Multiple Contact Stiffnesses with Robust Force Controllers
Nanyang Technological University（南洋理工大学）
主动力控制（AFC）是解决机器人高精度装配的重要方案。经典的力控制器是高度依赖于表面的：控制器必须仔细调整为接触的每种类型的表面，以避免不稳定性，并实现合理的性能水平。在这里，我们建立在最近开发的凸控制器合成（CCS），使高精度组装在广泛的表面刚度，而没有任何表面依赖的调整。具体来说，我们展示了钉孔组件与100微米的间隙，初始位置的不确定性高达2厘米，并为四种类型的钉孔材料-橡胶，塑料，木材，铝-其刚度范围从10到100 N/mm，使用一个单一的控制器。
2020-03-06 cs.RO
CT-Enabled Patient-Specific Simulation and Contact-Aware Robotic Planning for Cochlear Implantation
本文提出了一种基于CT的患者特异性模拟与接触感知的耳蜗植入手术机器人规划方法，通过低维可微模型和伪动力学正则化，实现精确的接触力预测和手术安全。
2026-03-05 cs.RO
A Robotic Framework for Making Eye Contact with Humans
Chittagong University of Engineering and Technology（吉大港工程技术大学）
目光接触是人类与他人进行任何对话的基本先决条件。然而，对于机器人来说，如果它们最初没有面对彼此，或者人类正在激烈地从事他或她的任务，那么与人类进行眼神接触并不是一件容易的事情。如果机器人想开始与某个特定的人交流，它应该首先将目光转向那个人。然而，仅仅这样一个转身动作并不总是足以建立眼神交流。为了吸引人类的注意力，机器人有时需要做出一些强有力的动作.本文提出了一种机器人的计算模型，该模型能够主动地吸引人类的注意力，并与人类进行目光接触.使用机器人头部进行的评估实验表明，该模型在不同的观看情况下都是有效的.
2020-07-13 cs.HC cs.RO
On Inverse Inertia Matrix and Contact-Force Model for Robotic Manipulators at Normal Impacts
CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；AIST（日本产业技术综合研究所）
针对固定基座高刚度控制机器人操作臂缺乏定制碰撞动力学模型的问题，通过7自由度Panda机器人150次试验，提出采用粘弹性接触力模型与复合刚体逆惯性矩阵计算方法。
2022-02-12 cs.RO
Contact-Driven Localization in a Freeform Robotic Self-Assembled Structure
New Jersey Institute of Technology（新泽西理工学院）
针对群体机器人定位难题，提出仅用二元接触信息的虚拟力框架，实现无外部基础设施的模块化机器人自组装定位，仿真验证其可支持自由形态结构的精确组装。
2026-08-05 cs.RO
Contact-based Grasp Control and Inverse Kinematics for a Five-fingered Robotic Hand
Department of Computer Science（计算机科学系）；The University of Alabama（阿拉巴马大学）
本文提出一种结合接触控制与逆运动学的五指机器人抓取方法，在PyBullet中基于DexHand v2实现力闭合验证的稳定抓取，实验表明其具有高运动效率与位置精度，并指出拇指对掌控制仍需改进。
2025-04-25 cs.RO
RATE: Risk-Aware Tactile Encoding for Contact-rich Robotic Manipulation
Nanyang Technological University（南洋理工大学）；Daimon Robotics（戴蒙机器人）
针对相似触觉观测可能对应不同任务风险的问题，提出RATE方法，通过历史条件化预测和警报监督学习风险感知触觉表征，并借助轻量级残差适配器提升机器人操作任务成功率。
2026-10-05 cs.RO
ComFree-Sim: A GPU-Parallelized Analytical Contact Physics Engine for Scalable Contact-Rich Robotics Simulation and Control
本文提出ComFree-Sim，一种基于GPU并行的分析接触物理引擎，通过阻抗式预测-校正更新计算接触冲量，实现接触计算的线性时间复杂度，适用于接触密集型机器人仿真与控制。
2026-03-14 cs.RO
A Kinematic Framework for Screening Candidate Pinch Configurations in Robotic Hand Design without Object or Contact Models
Advanced Robotics Research Center, Korea Institute of Machinery & Materials (KIMM)（韩国机械材料研究院先进机器人研究中心）
本文提出一种无需物体或接触模型的机械手抓取能力评估方法，通过分析指尖工作空间的交互关系，评估机械手的抓取配置，为机械手设计提供工具。
2026-09-07 cs.RO
Online Multi-Contact Feedback Model Predictive Control for Interactive Robotic Tasks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对交互式机器人任务中未知位置多接触的问题，提出带显式接触反馈回路的MPC方法，结合MCP-EP算法与弹簧接触模型，用微分动态规划实现7自由度机器人实时控制，多场景下验证有效。
2024-03-13 cs.RO
TacHair: Tactile Contact-Distribution Guided Online Correction for Robotic Hair Stroking and Perception
King’s College London（伦敦国王学院）
针对机器人抚发时毛发易漂移导致接触难调节的问题，提出TacHair框架，通过空间触觉接触分布引导在线校正，在525次试验中提升了抚发成功率与接触维持率。
2026-10-09 cs.RO
REASSEMBLE: A Multimodal Dataset for Contact-rich Robotic Assembly and Disassembly
Autonomous Systems Lab, Institute of Computer Technology, TU Wien（自主系统实验室，计算机技术学院，维也纳技术大学）；Institute of Robotics and Mechatronics (DLR), German Aerospace Center（机器人与机电系统研究所（DLR），德国航空航天中心）
针对富接触机器人装配与拆卸任务，提出基于NIST基准的多模态数据集REASSEMBLE，包含4551次演示及多视角传感器数据，支持复杂操作学习研究。
2025-04-28 cs.RO
Learning Contact Dynamics through Touching: Action-conditional Graph Neural Networks for Robotic Peg Insertion
German Research Center for Artificial Intelligence（德国人工智能研究中心）；Osnabrück University（奥斯纳布吕克大学）
本文提出了一种基于动作的图神经网络模型，用于提升机器人圆柱体插入任务中的运动和力矩预测精度。
2026-09-17 cs.LG cs.RO
Feature-Based Transfer Learning for Robotic Push Manipulation
School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院）
本文提出了一种数据有效的方法来学习机器人推动操作的可转移前向模型。我们的方法扩展了我们以前的工作接触为基础的预测，利用信息推送对象的局部表面特征。我们测试的假设，条件预测局部表面特征，我们可以实现概括不同形状的对象。在这样做时，我们不需要对象的CAD模型，而是依赖于点云对象模型（PCOM）。我们的方法涉及学习特定于接触模型的运动模型。接触模型对训练期间看到的接触进行编码，并允许在预测时生成类似的接触。在熟悉的地面上进行预测降低了运动模型的样本复杂度，而使用局部接触信息进行预测增加了它们的可移植性。在大量的仿真实验中，我们的方法能够对各种测试对象进行迁移学习，优于基线预测器。我们支持这些结果与一个真正的机器人的概念证明。
2019-05-09 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
DexSkin: High-Coverage Conformable Robotic Skin for Learning Contact-Rich Manipulation
Stanford University（斯坦福大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
本文提出DexSkin，一种柔软可定制的电容式电子皮肤，通过为平行夹爪手指提供全覆盖触觉感知，结合从演示学习和在线强化学习，验证了其在接触丰富操作任务中的有效性及跨传感器模型迁移能力。
2025-09-23 cs.CV cs.LG cs.RO
MagicGripper: A Multimodal Sensor-Integrated Gripper for Contact-Rich Robotic Manipulation
Department of Bioengineering, Imperial College London（帝国理工学院伦敦分校生物工程系）；School of Robotics, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学机器人学院）
本文提出了一种多模态传感器集成夹爪MagicGripper，通过集成紧凑型三维多层触觉传感器mini-MagicTac，结合高分辨率触觉、接近觉与视觉感知，有效解决了非结构化环境中富接触操作的精确感知与自适应控制问题。
2025-05-30 cs.RO eess.SP
ChronoDreamer: Action-Conditioned World Model as an Online Simulator for Robotic Planning
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
ChronoDreamer通过时空变换器和视觉-语言模型，实现基于动作的动态世界模型，用于机器人规划中的安全动作预测与碰撞检测。
2025-12-21 cs.AI cs.RO
Compliant Explicit Reference Governor for Contact Friendly Robotic Manipulators
College of Engineering（工程学院）；Applied Sciences, University of Colorado Boulder（应用科学学院，科罗拉多大学博尔德分校）；Boulder, CO 80301 USA（博尔德，科罗拉多州80301 USA）
本文提出了一种顺应性显式参考 governor (CERG)，一种模块化的参考管理系统，使机器人能够在有保证的条件下与环境物理交互。CERG 作为高层规划器和低层控制器之间的中间层，强制操作约束并使自由运动和接触操作之间平滑过渡。CERG 通过限制接触时机械臂可用的总能量来确保安全。在没有接触的情况下，CERG 不会惩罚系统性能。
2026-05-19 cs.RO cs.SY eess.SY
Flexure-based Environmental Compliance for High-speed Robotic Contact Tasks
Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）
物理顺应性的设计-其位置，程度和结构-影响机器人在接触丰富的任务中的性能和鲁棒性。虽然顺应性通常用于机器人的关节，法兰，或末端执行器，本文提出了顺应性的结构在环境中，允许安全和鲁棒的接触，同时保持较高的运动控制带宽和精度的高阻抗机器人。这里的顺应性是通过挠曲件和粘弹性材料来实现的，挠曲件和粘弹性材料被集成到几个机构中以提供结构化顺应性，例如远程顺应性中心。使用熔融沉积成型的增材制造，允许更快的设计迭代和与标准工业设备的低成本集成。机械性能，包括总刚度矩阵，刚度比，和旋转精度，分析确定和实验结果进行比较。三个远程中心的顺应性（RCC）的设备和1自由度的线性设备的原型和测试在高速装配任务。
2022-03-14 cs.RO
Efficient Trajectory Generation for Robotic Systems Constrained by Contact Forces
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在这项工作中，我们提出了一种基于最优控制和可达性分析的接触力约束的机器人系统的轨迹生成方法。通常情况下，接触约束机器人的动力学和约束是非线性的，相互耦合。我们不对模型和约束进行线性化，而是直接求解最优控制问题，得到系统的可行状态轨迹和控制输入。一个易于处理的最优控制问题，制定这是解决的双重方法，这是基于采样的动态规划和严格的可达性分析。基于采样的方法和部分可观测马尔可夫决策过程（POMDP）被用来分解的端到端的轨迹生成问题，根据给定的条件下，通过样本明智的优化。结果生成要通过的子区域的顺序对，以达到最终目标。可达性分析确保我们将找到至少一条从给定初始状态开始并经过一系列子区域的轨迹。我们的方法的独特贡献是，使处理复杂的接触约束与系统的动力学，由于减少了算法的计算复杂性。我们验证了我们的方法使用广泛的数值模拟与足式机器人。
2019-03-26 cs.RO
Real-Time Non-Contact Force Compensation for Wrist-Mounted Force/Torque Sensors in Haptic-Enabled Robotic Surgery Training
School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞-瓦特大学）
本文提出一种基于递归最小二乘法的实时补偿方法，用于解决腕部力/扭矩传感器在触觉反馈训练中的非接触力干扰问题，实验显示其在力和扭矩补偿上的误差降低率分别超过95%和91%。
2026-09-16 cs.RO cs.SY eess.SY
Bi-HIL: Bilateral Control-Based Multimodal Hierarchical Imitation Learning via Subtask-Level Progress Rate and Keyframe Memory for Long-Horizon Contact-Rich Robotic Manipulation
The University of Osaka（大阪大学）；Kobe University（神户大学）
本文提出Bi-HIL框架，通过子任务级进度率和关键帧记忆实现长时程接触丰富机械臂操作的稳定分层协调，验证了显式建模子任务进展与力感知控制的重要性。
2026-03-26 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
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
Real Time Collision Detection and Identification for Robotic Manipulators
大多数日常任务都涉及与非结构化环境进行交互。这意味着，为了使机器人真正有用，它们必须能够处理接触。本文探讨了如何粒子滤波器可以用来定位接触点和估计外力。我们证明了粒子滤波器的能力，在一个模拟的4DoF平面机械臂，并比较它的一个行之有效的分析方法。
2018-02-02 cs.RO
Image-based Intraluminal Contact Force Monitoring in Robotic Vascular Navigation
McGill University（麦吉尔大学）；Concordia University（康考迪亚大学）
栓塞、卒中、缺血性病变和穿孔仍然是血管内介入治疗的重要问题。血管内感测工具与动脉的相互作用有利于最小化此类并发症并增强导航安全性。由于缺乏血管内接触感测技术，管腔内信息目前有限。我们提出了在血管机器人导航中使用基于图像的估计方法监测管腔内工具与动脉壁的相互作用。所提出的基于图像的方法采用使用成像数据的工具的连续有限元模拟来估计沿着工具-血管壁相互作用的多点力。我们实施了成像算法来检测和跟踪接触并计算姿势测量。该模型是建立在非线性梁单元和弯曲刚度剖面的工具长度的基础上。在主动脉远程插管期间，管腔内监测实现了跟踪局部接触力，构建动脉壁上的力的等值线图并估计工具结构应力。结果表明，即使插入力较低，也可能发生高风险腔内力。所提出的在线监测系统可深入了解血管内工具的腔内行为，非常适合临床医生的术中视觉引导、血管手术的机器人控制和介入器械设计研究。
2021-02-15 cs.NA cs.RO eess.IV
Pose-free object classification from surface contact features in sequences of Robotic grasps
Instituto Superior Técnico（高等技术学院）；Institute for Systems and Robotics（系统与机器人研究所）
本文提出两种基于多指机器人手本体感知的免位姿物体分类方法，分别利用接触位置与法线或仅接触位置，并引入主动探索步骤减少抓取次数，在GraspIt!模拟器中验证了其有效性。
2024-03-28 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
Efficiently Obtaining Reachset Conformance for the Formal Analysis of Robotic Contact Tasks
School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
本文提出首个针对混合动力学机器人接触任务生成可达集一致模型的方法，通过在简单混合自动机中注入非确定性并最优识别参数，有效捕捉系统不确定性并大幅减少工业测试工作量。
2024-10-14 cs.RO cs.SY eess.SY
DEFT-VLA: Stage-Localized Force Specialization for Contact-Rich Robotic Manipulation
Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院）；School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（中国科学技术大学生命科学与医学部生物医学工程学院）；School of Robotics, Xi’an Jiaotong-Liverpool University（西交利物浦大学机器人学院）
DEFT-VLA通过双专家结构与接触局部化力关注课程，利用力反馈提升接触丰富型机器人操作的接触阶段性能，在三类真实机器人任务上较最强基线提升20-40个百分点的任务成功率。
2026-10-14 cs.RO
Improving grasp performance using in-hand proximity and contact sensing
University of Colorado Boulder（科罗拉多大学博尔德分校）
我们描述了我们在IROS 2016机器人抓取和操纵竞赛的自主轨道上采用的抓取和操纵策略。我们架构的一个显著特点是视觉（华硕Xtion）和触觉感知（机器人材料）之间的紧密耦合，以减少传感和驱动的不确定性。我们证明了触觉感知和反应控制的重要性，在最后阶段的把握使用Kinova机器人arm.The集的工具和算法的对象抓取这里提出的已被集成到开源机器人操作系统（ROS）。
2017-01-21 cs.RO
PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Shanghai Innovation Institute（上海创新研究院）
该研究提出PRIME方法，通过结合可微接触动力学和光滑互补约束，实现从 onboard 传感器数据中获得物理一致的运动轨迹和惯性参数估计，从而提升机器人运动估计的准确性。
2026-05-17 cs.RO
Formal Verification of Robotic Contact Tasks via Reachability Analysis
Technical University of Munich（慕尼黑工业大学）
针对机器人接触任务中模型不确定性导致的验证难题，提出基于可达性分析的形式化验证方法，通过扩展混合动力学可达性分析并提出防护交集方法，成功验证了受限碰撞下的安全人机交互。
2023-07-26 cs.RO cs.SY eess.SY
Proprioceptive Sensor-Based Simultaneous Multi-Contact Point Localization and Force Identification for Robotic Arms
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出一种基于关节力矩传感器和基座力/力矩传感器的粒子滤波改进算法，通过网格预处理实现机械臂多接触点与接触力的同时快速估计，并在7自由度机器人仿真中达到2200Hz运行频率和99.96%的单接触成功率。
2023-03-07 cs.RO
Automatic Contact-Based 3D Scanning Using Articulated Robotic Arm
Military Institute of Science and Technology（军事科学技术学院）；Bangladesh Army University of Science and Technology（孟加拉国陆军科学技术大学）
本文提出一种开环6自由度关节式机器人接触式3D扫描系统，利用逆运动学和直线轨迹规划实现自由曲面的自动单点测量与扫描，并基于ASME B89.4.22标准验证了其准确度与重复性。
2024-11-11 cs.RO physics.ins-det
Towards Learning to Detect and Predict Contact Events on Vision-based Tactile Sensors
Robotics Institute（机器人研究所）；The Hong Kong University of Science and Technology（香港科技大学）
从本质上讲，成功的抓握归结为对指尖和物体之间的多次接触事件的正确反应。在大多数情况下，触觉感知足以区分接触事件。由于触觉信息的高维性，使用传统的基于模型的方法对时空触觉信号进行分类是困难的。在这项工作中，我们提出使用深度学习方法来预测和分类触觉信号，寻求提高机器人抓取系统对可能导致抓取失败的外部事件变化的适应性。我们开发了一个深度学习框架，并收集了6650触觉图像序列与基于视觉的触觉传感器，和神经网络集成到一个基于接触事件的机器人抓取系统。在抓取实验中，我们实现了52%的增加与接触检测的物体提升成功率，显着更高的鲁棒性下的意外负载与滑动预测相比，开环抓地力，表明所提出的框架集成到机器人抓取系统大大提高采摘成功率和能力，以抵御外部干扰。
2019-10-09 cs.CV cs.LG 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
Effects of Robotic Touch on Older Users During Walking Guidance by a Humanoid Robot
研究老年人在机器人步行引导中对不同触摸模式的感知与响应，通过多模态评估方法，发现交互时压力略升但总体接受，较大交互力条件下距离更小，为机器人步行引导辅助设计提供见解，表明老年人更喜欢轻柔稳定触摸。
2026-07-13 cs.RO
