学习力控式操作：基于低成本触觉-力控制夹爪
机器人学
2026-02-11 v1
摘要
成功操控许多日常物品（如薯片）需要精确的力调节。若无法调节力度，可能导致任务失败或造成物品不可逆损坏。人类能够通过触觉反馈在短暂接触后灵活调整力度，从而实现精准控制。我们旨在赋予机器人此能力。然而，商业夹爪成本高昂或最小力值较大，不适合用于日常力感应物体的力控制策略学习。我们引入TF-Gripper——一种低成本（约150美元）力控制式并列嘴巴夹爪，集成触觉感知作为反馈。其有效力范围为0.45-45N，兼容多种机器人臂。此外，我们设计了配合TF-Gripper的遥操作装置，用于记录人类施加的抓握力。虽然可在此数据上训练标准低频策略，但难以应对力调节中具有反应性和依赖接触特性的需求。为此，我们提出RETAF（REactive Tactile Adaptation of Force）框架，通过分离抓握力控制与机械臂姿态预测来克服上述挑战。RETAF利用手腕图像和触觉反馈在高频下调节力度，同时基础策略预测末端执行器位置及夹爪开合动作。我们在五个需要精确力调节的实际任务中评估了TF-Gripper和RETAF。结果表明：与位置控制相比，直接力控制显著提升抓握稳定性和任务性能。进一步实验表明，触觉反馈对力调节至关重要，RETAF持续优于基线方法且可与多种基础策略集成。我们希望本工作为机器人操作中力控式策略的规模化学习开辟道路。项目页面：https://force-gripper.github.io
引用
@article{arxiv.2602.10013,
title = {Learning Force-Regulated Manipulation with a Low-Cost Tactile-Force-Controlled Gripper},
author = {Xuhui Kang and Tongxuan Tian and Sung-Wook Lee and Binghao Huang and Yunzhu Li and Yen-Ling Kuo},
journal= {arXiv preprint arXiv:2602.10013},
year = {2026}
}
备注
10 pages, 11 figures