该论文旨在解决振动丰富的液压机械臂在快速交互任务（如研磨）中的无传感器力矩预测问题。研究背景是：
- 物理力/力矩传感器存在尺寸、成本和易碎性限制
- 现有无传感器估计方法主要针对缓慢交互，对任务关键的高频振动场景研究不足
- 液压机械臂在研磨挖掘等任务中会产生高频振动，影响力矩估计精度
论文提出了频率感知分解网络（Frequency-aware Decomposition Network, FDN），具体包括：
- 采用谱分解（spectral decomposition）方法预测力矩
- 设计非对称确定性（deterministic）和概率性（probabilistic）头部分别建模低频和高频分量
- 将高频残差建模为学习的条件分布（conditional distribution）
- 引入频率感知机制：通过学习滤波（learned filtering）自适应增强输入频谱，并对输出施加频带先验（frequency-band prior）
- 采用大规模开源机器人数据集进行预训练，并将学习到的本体感知-力矩表示迁移到下游任务
论文的核心创新点包括：
- 首次针对振动丰富的液压机械臂提出短期力矩预测问题，填补了快速交互场景下无传感器力矩估计的研究空白
- 提出频率感知分解网络（FDN），通过谱分解和非对称头设计，显式分离并分别建模力矩的低频确定性分量和高频概率性残差
- 创新性地将频率感知机制融入网络设计，通过学习滤波和频带先验实现频谱自适应增强，专门针对高频振动场景优化
- 首次将大规模预训练（pretraining）和迁移学习（transfer learning）范式引入机器人力矩估计领域，验证了跨领域表示学习的潜力
论文对该领域的整体贡献是：
- 提出了专门针对高频振动场景的无传感器力矩预测新方法FDN，在真实世界液压机械臂研磨挖掘数据上验证了有效性
- 在延迟估计设置下，FDN在高频波段优于基线估计器和预测器，在低频波段保持竞争力
- 证明了迁移学习能带来额外性能提升，为机器人力矩估计开辟了大规模预训练和迁移学习的新研究方向
- 将公开代码和数据，促进该领域研究发展