OmniVIC：一种面向安全机器人操作的自我改进可变阻抗控制器
机器人学
2025-10-23 v2
摘要
我们提出OmniVIC——一种通用可变阻抗控制器（VIC），增强型视觉语言模型（VLM），提升安全性和适应性，以适应任何接触丰富的机器人操作任务，增强安全物理交互。传统VIC在机器人与环境进行物理交互时显示出优势，但在面对未见且复杂且非结构化的通用任务场景中的安全交互缺乏泛化能力。为此，OmniVIC通过图像和自然语言解释任务上下文推理，并生成用于VIC控制器的自适应阻抗参数。具体而言，OmniVIC的核心是一种自我改进的检索增强生成（RAG）和上下文学习（ICL），其中RAG从结构化记忆库中检索相关的先前经验以为控制器提供类似过去任务的参考，ICL则利用这些检索到的示例和当前任务的提示查询VLM以生成针对当前操作情景的、具上下文感知和自适应的阻抗参数。因此，自我改进的RAG和ICL确保OmniVIC在通用任务场景中正常工作。阻抗参数的调节进一步由实时力/扭矩反馈信息所指导，以确保交互力保持在安全阈值范围内。我们在一系列复杂的接触丰富任务上进行了实验，包括仿真和实际机器人任务，结果显示方法优于基线方法，成功率提升，力违规显著减少。OmniVIC为桥接高层语义推理与低层刚性控制迈出了一步，实现了更安全、更具通用性的操作。总体而言，成功率从27%（基线）提升至61.4%（OmniVIC）。
引用
@article{arxiv.2510.17150,
title = {OmniVIC: A Self-Improving Variable Impedance Controller with Vision-Language In-Context Learning for Safe Robotic Manipulation},
author = {Heng Zhang and Wei-Hsing Huang and Gokhan Solak and Arash Ajoudani},
journal= {arXiv preprint arXiv:2510.17150},
year = {2025}
}
备注
Code, video and RAG dataset are available at \url{https://sites.google.com/view/omni-vic}