FILIC：面向接触丰富操作任务的双环力引导模仿学习与阻抗力矩控制
机器人学
2025-09-23 v1
摘要
接触丰富操作对于机器人执行需要精确力控制的任务（如插入、装配和手内操作）至关重要。然而，大多数模仿学习（IL）策略仍以位置为中心，缺乏显式的力感知能力，且为协作机械臂添加力/力矩传感器往往成本高昂并需要额外的硬件设计。为解决这些问题，我们提出FILIC，一个融合阻抗力矩控制的力引导模仿学习框架。FILIC将基于Transformer的IL策略与阻抗控制器集成在双环结构中，实现基于力的 compliant 力引导与力执行操作。对于没有力/力矩传感器的机器人，我们引入一种基于关节力矩测量的低成本末端执行器力估计方法，通过基于解析雅可比逆的求逆并结合数字孪生的模型预测力矩进行补偿。我们还设计了通过手持触觉设备和VR可视化实现的互补力反馈框架，以提升示教质量。实验表明，FILIC显著优于纯视觉和基于关节力矩的方法，实现了更安全、更 compliant 和更具适应性的接触丰富操作。我们的代码位于 https://github.com/TATP-233/FILIC。
引用
@article{arxiv.2509.17053,
title = {FILIC: Dual-Loop Force-Guided Imitation Learning with Impedance Torque Control for Contact-Rich Manipulation Tasks},
author = {Haizhou Ge and Yufei Jia and Zheng Li and Yue Li and Zhixing Chen and Ruqi Huang and Guyue Zhou},
journal= {arXiv preprint arXiv:2509.17053},
year = {2025}
}