ForceMimic：基于力-动作捕捉系统的力中心仿照学习用于接触丰富操作

在大多数接触丰富的操作任务中，人类会对目标物体施加时变力，以补偿视觉引导手部轨迹的不准确性。然而，当前的机器人学习算法主要关注基于轨迹的策略，对学习与力相关技能的关注有限。为此，我们引入了 ForceMimic，一个力中心的机器人学习系统，提供了一个自然、力感知且无需机器人的机器人示教数据收集系统，以及用于稳健接触丰富操作的混合力-动作仿照学习算法。通过提出的 ForceCapture 系统，操作员仅需 5 分钟即可完成对小黄瓜的去皮动作，而力反馈式遥操作需要超过 13 分钟且难以完成任务。借助收集的数据，我们提出了 HybridIL 来训练一个力中心的仿照学习模型，配备混合力-位置控制原语，以适应机器人执行期间预测的力-位置参数。实验表明，我们的方法使模型能够在蔬菜去皮这一接触丰富任务中学习更稳健的策略，成功率相较于最先进的纯视觉仿照学习提高了 54.5%。硬件、代码、数据及更多结果可在项目网站 https://forcemimic.github.io 查阅。