ContactRL：基于接触安全的人机协作运动规划强化学习框架
机器人学
2025-12-04 v1
摘要
在人机协作任务中，安全不仅要求避免碰撞，还需要确保安全、有意的物理接触。我们提出了 ContactRL，一个基于强化学习（RL）的框架，通过力反馈将接触安全直接纳入奖励函数。这使机器人能够学习自适应运动轨迹，在保持任务效率的同时最小化人机接触力。在仿真中，ContactRL 实现了 0.2\% 的低安全违规率和 87.7\% 的高任务成功率，优于最先进的约束 RL 基线方法。为保证部署安全，我们在学习到的策略上叠加了基于动能的控制障碍函数（eCBF）防护层。在 UR3e 机器人平台上进行的人手向机器人传递小物体的真实实验共 360 次试验，证实了接触安全性，测得的法向力始终低于 10N。这些结果表明 ContactRL 能够实现安全高效的人机物理协作，从而推动协作机器人在接触密集型任务中的部署。
引用
@article{arxiv.2512.03707,
title = {ContactRL: Safe Reinforcement Learning based Motion Planning for Contact based Human Robot Collaboration},
author = {Sundas Rafat Mulkana and Ronyu Yu and Tanaya Guha and Emma Li},
journal= {arXiv preprint arXiv:2512.03707},
year = {2025}
}
备注
8 pages, 7 figures