ManipForce：面向富接触操作的力引导策略学习与频率感知表示
机器人学
2025-09-24 v1
摘要
富接触操作任务（如精密装配）需要对交互力进行精确控制，然而现有的模仿学习方法主要依赖纯视觉演示。我们提出了 ManipForce，这是一种手持式系统，旨在自然的人类演示过程中捕获高频力/力矩（F/T）和 RGB 数据，用于富接触操作。基于这些演示数据，我们引入了频率感知多模态 Transformer（FMT）。FMT 利用频率和模态感知嵌入对异步 RGB 和 F/T 信号进行编码，并通过 Transformer 扩散策略中的双向交叉注意力机制对其进行融合。通过在六个真实世界富接触操作任务（如齿轮装配、翻转箱体和电池插入）上的广泛实验，基于 ManipForce 演示训练的 FMT 取得了稳健的性能，在所有任务上的平均成功率为 83%，显著优于纯 RGB 基线方法。消融和采样频率分析进一步证实，结合高频 F/T 数据和跨模态整合能提升策略性能，尤其是在要求高精度和稳定接触的任务中。
引用
@article{arxiv.2509.19047,
title = {ManipForce: Force-Guided Policy Learning with Frequency-Aware Representation for Contact-Rich Manipulation},
author = {Geonhyup Lee and Yeongjin Lee and Kangmin Kim and Seongju Lee and Sangjun Noh and Seunghyeok Back and Kyoobin Lee},
journal= {arXiv preprint arXiv:2509.19047},
year = {2025}
}
备注
9 pages, 9 figures