← 返回论文列表

触觉-本体感觉传感器融合用于全身人机物理交互中的接触力/力矩估计
Tactile-Proprioceptive Sensor Fusion for Contact Wrench Estimation in Whole-Body Physical Human-Robot Interaction

作者: Junha Min, Junghyeon Ma, Jiwung Kwon 等6人
arXiv: 2605.28412v1
分类: cs.RO, cs.LG
📝 论文摘要
直接物理引导是人机交互与教学的一种自然方式，而机器人皮肤通过实现灵敏的接触感知与定位发挥着关键作用。本文提出一种用于自然物理人机交互的触觉-本体感觉传感器融合框架。来自气动皮肤垫的触觉信号作为接触指示器，能够消除摩擦残留与施加外力之间的歧义，无需明确识别摩擦即可实现高灵敏度接触检测。我们将这些信号与基于电机电流的本体感觉信息融合，重建机器人表面多轴接触力。为保持运动过程中的精度，我们采用时间卷积网络（TCN）来抑制粘滑过渡过程中的摩擦滞后效应，降低接触起始阶段的不确定性，从而生成平滑、响应迅速的引导信号。我们在集成皮肤机械臂上验证了该方法：（i）在静态接触中重建多轴力；（ii）同步实现力估计与动觉教学。结果表明，与仅使用触觉或仅使用本体感觉的基线方法相比，该方法在各种接触条件下均提升了灵敏度与响应速度，证实了触觉-本体感觉融合作为实现安全、直观物理人机交互可靠途径的有效性。

📊 核心分析

🎯 研究动机
- 直接物理引导是人与机器人交互的自然方式，但现有方法受限于**摩擦模糊性(frictional ambiguity)**，难以准确区分摩擦残留与外部施加力 - 全身物理人机交互需要高灵敏度的接触力估计，现有**触觉( tactile )** 或**本体感觉( proprioceptive )** 单独使用在动态场景下表现不佳 - 研究背景：机器人皮肤提供了敏感接触传感，但如何有效融合触觉与本体感觉以实现多轴力重建仍是一个挑战
🔧 核心方法
- 提出**触觉-本体感觉融合框架(tactile-proprioceptive sensor fusion)**，将气动皮肤垫的触觉线索作为接触指示器，绕过摩擦模糊性 - 融合触觉线索与电机电流的本体感觉信号，通过**时间卷积网络(Temporal Convolutional Network, TCN)** 处理粘滑过渡中的摩擦滞后 - 在皮肤集成机器人臂上验证：静态接触时重建多轴力，动态场景下同时实现力估计与运动示教
💡 核心创新
- **消除摩擦模糊性**：利用气动皮肤垫的触觉线索直接指示接触，避免显式摩擦建模，实现高灵敏接触检测 - **缓解摩擦滞后**：首次引入**时间卷积网络(TCN)** 处理触觉与本体感觉在运动中的粘滑过渡，降低接触起始不确定性，获得平滑响应 - **多轴力重建**：在动态运动过程中保持准确性，相比触觉-only或本体感觉-only基线，显著提升敏感性和响应性
🏆 总体贡献
- 为物理人机交互提供了一种**安全、直观的交互范式**，通过触觉-本体感觉融合实现可靠接触力估计 - 在标准机器人臂平台上验证了融合框架的有效性，展示了**静态力重建** 与**动态运动示教** 的双重能力 - 证明了**触觉-本体感觉融合(fusion approach)** 是迈向自然物理人机交互的可靠路径，为后续研究提供方法论基础