FoAR: Force-Aware Reactive Policy for Contact-Rich Robotic Manipulation

接触丰富的任务对机器人操作策略提出了重大挑战，因为这些任务涉及复杂的接触动力学和对精确控制的需求。基于视觉的策略通常难以应对这类任务所需的技能，因为它们通常缺乏关键的接触反馈模式，如力/扭矩信息。为了解决这一问题，我们提出了一种名为FoAR的力感知反应策略，该策略结合了高频力/扭矩传感与视觉输入，以增强在接触丰富操作中的性能。FoAR基于RISE策略构建，通过未来接触预测器引导的多模态特征融合机制，实现在非接触和接触阶段动态调整力/扭矩数据的使用。其反应控制策略还使FoAR能够通过简单的位移控制准确完成接触丰富的任务。实验结果表明，FoAR在各种具有挑战性的接触丰富任务中显著优于所有基线方法，并且在意外动态干扰下仍能保持稳健的性能。项目网站：https://tonyfang.net/FoAR/

论文试图解决接触丰富的机器人操作任务中的挑战，这些任务由于复杂的接触动态和对精确控制的需求而变得困难。现有的基于视觉的策略通常缺乏关键的触觉反馈模态，如力/扭矩信息，导致在执行此类任务时表现不佳。

论文提出了一种名为FoAR（Force-aware Reactive）的策略，该策略结合了高频力/扭矩传感与视觉输入，通过多模态特征融合机制和未来接触预测器，动态调整非接触和接触阶段的力/扭矩数据使用。这种反应式控制策略使FoAR能够通过简单的位姿控制准确完成接触丰富的任务。

实验结果表明，FoAR在各种具有挑战性的接触丰富任务中显著优于所有基线方法，并且在意外动态干扰下保持稳健性能。此外，项目网站提供了详细的实验设置和开源代码，便于复现和进一步研究。未来的工作可以集中在扩展FoAR到更多种类的接触丰富任务，以及提高其在复杂环境下的适应性。

近期在这个领域的一些相关研究包括：1) 'Learning Dexterous In-Hand Manipulation' (OpenAI, 2018)，探讨了通过深度学习实现灵巧的手部操作；2) 'Tactile Sensing for Robotic Manipulation: A Review' (IEEE Transactions on Robotics, 2021)，综述了触觉感知在机器人操作中的应用；3) 'Force and Torque Estimation for Visual Servoing' (IEEE Robotics and Automation Letters, 2020)，研究了力和扭矩估计在视觉伺服中的应用。