力感知策略 / 柔顺策略学习

让学出来的操作策略感知接触力或输出刚度，接触时既贴得住又不用力过猛。

这是让学习型操作策略处理接触力的一类方法的统称。常见的视觉运动策略（如扩散策略）只输出目标位置，交给刚性的位置控制器执行，一接触就容易用力过猛或贴不住。改进主要有两条路。一是「力感知」：把六维力/力矩传感器、触觉等信号作为输入，与图像融合后再出动作，例如上海交通大学卢策吾团队的 FoAR（2024）按预测的接触状态调节力信号的权重，同组的 RDP（2025）用低频扩散策略加高频触觉反馈回路，ForceVLA（2025）在 VLA 里加入力感知的混合专家模块。二是「柔顺」：让策略同时输出刚度等参数，交给阻抗或导纳类柔顺控制器执行，例如斯坦福与丰田研究院的自适应柔顺策略 ACP（2024）输出参考位姿、虚拟目标位姿和刚度。难点是多数遥操作系统没有力反馈，示教数据里很难得到合适的力和刚度标签。

例子ACP 的擦花瓶任务：策略根据图像和力信号实时给出参考位姿、虚拟目标位姿和柔顺方向上的刚度，交给柔顺控制器执行，让机器人持续贴住弧形瓶面擦拭又不至于用力过大；论文报告在接触丰富任务上比只输出位置的视觉运动策略提升 50% 以上。

也叫

力觉策略、力感知操作策略、柔顺策略、Force-aware Policy、Compliance Policy

相关

力控、阻抗控制、变阻抗控制、接触丰富操作、六维力传感器、力觉 VLA

来源

Adaptive Compliance Policy: Learning Approximate Compliance for Diffusion Guided Control (arXiv:2410.09309)
FoAR: Force-Aware Reactive Policy for Contact-Rich Robotic Manipulation (arXiv:2411.15753)
Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation (arXiv:2503.02881)

信息截至

2025-05