PhaForce: Phase-Scheduled Visual-Force Policy Learning with Slow Planning and Fast Correction for Contact-Rich Manipulation

Die Arbeit stellt PhaForce vor, einen phasengesteuerten visuomotorischen Ansatz, der durch die Kombination eines langsamen Diffusionsplaners und eines schnellen Korrektors kontaktreiche Manipulationsaufgaben mit einer durchschnittlichen Erfolgsrate von 86 % löst, indem er die visuelle Semantik bewahrt und gleichzeitig hochfrequente Kraft-Rückkopplung für präzise Anpassungen nutzt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einen Schlüssel in ein Schloss zu stecken oder einen Schwamm über eine Tafel zu wischen. Das klingt einfach, aber für einen Roboter ist das eine echte Herausforderung.

Das Problem: Der Roboter ist zu langsam und zu stur.

Bisherige Roboter-Intelligenzen arbeiten wie ein Fotograf, der nur alle paar Sekunden ein Foto macht und dann eine Bewegung plant. Wenn der Schlüssel aber hakt oder der Schwamm zu fest aufdrückt, passiert das in Millisekunden. Der Roboter sieht das auf dem nächsten Foto erst zu spät. Er reagiert dann oft falsch, weil er die Kraft, die auf seinen Fingern wirkt (den Widerstand), ignoriert oder falsch interpretiert.

Andere Roboter versuchen, auf Kraft zu reagieren, tun das aber oft wild und unkoordiniert – wie ein Autofahrer, der bei jeder kleinen Unebenheit das Lenkrad ruckartig herumreißt, statt sanft zu korrigieren.

Die Lösung: PhaForce – Der „Zwei-Gehirn"-Ansatz

Die Forscher haben PhaForce entwickelt. Man kann sich das wie ein Team aus zwei verschiedenen Denkern vorstellen, die perfekt zusammenarbeiten:

1. Der langsame Planer (Der Architekt)

Stellen Sie sich einen erfahrenen Architekten vor, der einen Bauplan erstellt. Er arbeitet ruhig und überlegt.

• Was er macht: Er schaut sich die Bilder an (Vision) und plant die grobe Bewegung für die nächsten paar Sekunden.
• Das Neue: Er ist nicht blind für Kraft. Aber er nutzt die Kraft nur, wenn es Sinn ergibt. Er fragt sich: „Bin ich gerade im freien Raum? Dann ignoriere ich das Wackeln. Bin ich gerade im Kontakt? Dann achte ich auf den Widerstand."
• Die Analogie: Er ist wie ein Dirigent, der weiß, wann die Geige laut spielen soll und wann sie leise sein muss. Er plant den groben Takt.

2. Der schnelle Korrektor (Der Akkordeon-Spieler)

Stellen Sie sich einen virtuellen Akkordeon-Spieler vor, der auf der Bühne sitzt und sofort auf jede kleine Änderung im Raum reagiert.

• Was er macht: Er arbeitet extrem schnell (viel schneller als der Planer). Er fängt kleine Fehler auf, die der Planer nicht sieht – wie ein winziges Haken des Schlüssels oder ein zu festes Aufdrücken.
• Das Neue: Er weiß genau, wo er korrigieren darf. Wenn der Roboter gerade in ein Loch sucht, darf er nur links/rechts/oben/unten korrigieren, aber nicht drehen. Wenn er drückt, darf er nur nach unten korrigieren.
• Die Analogie: Er ist wie ein Assistent, der dem Architekten zur Seite steht und sagt: „Hey, der Planer will nach links, aber wir stoßen gerade an! Ich schiebe jetzt ganz sanft nach rechts, damit wir nicht hängen bleiben."

3. Der Taktgeber (Der Phase-Vorhersager)

Das Herzstück von PhaForce ist ein kleiner „Taktgeber", der den beiden Gehirnen sagt, in welcher Phase des Auftrags sie sich befinden.

• Die Analogie: Stellen Sie sich vor, Sie spielen ein Videospiel. Es gibt Level 1 (Suchen), Level 2 (Einfügen) und Level 3 (Fertig). Der Taktgeber weiß genau: „Wir sind gerade in Level 2!"
• Ohne diesen Taktgeber würde der Roboter versuchen, beim Einfügen (Level 2) nach links und rechts zu suchen (Level 1), was ihn nur noch mehr hängen lässt. PhaForce weiß genau, welche Werkzeuge er in welchem Moment benutzen darf.

Warum ist das so erfolgreich?

In Tests mit echten Robotern hat PhaForce gezeigt, dass es viel besser ist als alle bisherigen Methoden:

• Beim Einstecken (z. B. USB oder Ladekabel): Frühere Roboter steckten oft schief ein, blieben hängen oder drehten sich im Griff. PhaForce spürt das Haken sofort, zieht sich einen Millimeter zurück, sucht neu und steckt dann perfekt ein.
• Beim Wischen: Wenn die Tafel etwas höher steht als erwartet (eine Situation, die der Roboter nie gesehen hat), scheitern andere Roboter komplett – sie drücken zu fest oder verlieren den Kontakt. PhaForce passt sich sofort an, indem es die Kraft nutzt, um den Abstand zu regeln, und wischt sauber weiter.

Zusammenfassung in einem Satz:
PhaForce ist wie ein Roboter, der nicht nur sieht, sondern auch fühlt und weiß, wann er fühlen muss – ein langsamer Planer für den großen Überblick und ein blitzschneller Assistent für die feinen Korrekturen, die alles reibungslos machen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „PhaForce: Phase-Scheduled Visual–Force Policy Learning with Slow Planning and Fast Correction for Contact-Rich Manipulation" auf Deutsch.

1. Problemstellung

Die Aufgabe der manipulationstechnischen Handhabung mit vielen Kontakten (Contact-Rich Manipulation), wie z. B. das Einfügen von Steckern oder das Wischen von Oberflächen, erfordert mehr als nur visuell dominierte Semantik. Der Erfolg hängt stark von der Interaktionsdynamik ab (Reibung, Verklemmen, Impulse).

• Herausforderung 1 (Zeitskalen-Mismatch): Generative visuomotorische Policies (z. B. Diffusionsmodelle) arbeiten typischerweise mit niedrigen Frequenzen aufgrund von Inferenzlatenz und „Action Chunking" (Bündelung von Aktionen). Kraft-/Drehmoment-Sensoren (F/T) liefern jedoch hochfrequente Signale für geschlossene Regelkreise. Wenn Kraftdaten nur mit der niedrigen Chunk-Rate verarbeitet werden, gehen kurzfristige Transienten (z. B. Rutschen, frühes Verklemmen) verloren.
• Herausforderung 2 (Fehlende Phasen-Steuerung): Bestehende kraftbewusste Methoden fügen Kraftdaten oft kontinuierlich und ununterschiedlich in die Policy ein. Es fehlt jedoch ein Mechanismus, der explizit steuert, wann, wie viel und wo (in welchem Korrektur-Unterraum) Kraftdaten genutzt werden sollen, da verschiedene Aufgabenphasen (z. B. Suche vs. Einfügen) orthogonalen Korrekturbedarf haben.

2. Methodik: PhaForce

PhaForce ist ein „Slow-Fast"-Policy-Framework, das eine explizite Kontakt-/Phasen-Steuerung nutzt, um langfristige Planung mit hochfrequenter Korrektur zu koordinieren.

A. Architektur-Komponenten

Das System besteht aus drei Hauptmodulen, die auf einer gemeinsamen „Contact-Aware Phase Predictor"-Logik basieren:

1. Contact-Aware Phase Predictor (CAP):

   • Ein leichtgewichtiges Netzwerk, das auf Basis von Bildern, Kraftverlauf und Propriozeption zwei Ausgaben generiert:
     • Eine kontinuierliche Kontaktwahrscheinlichkeit ($p_c$).
     • Eine weiche Verteilung über die Aufgabenphasen ($p_t$) (z. B. Annäherung, Suche, Einfügen, Erholung).
   • Training: Das Modell lernt antizipativ (Vorhersage zukünftiger Kontakte/Phasen), nicht nur reaktiv, um Kraftsignale frühzeitig zu nutzen.

2. Slow Diffusion Planner (Langsame Planung):

   • Arbeitet mit niedriger Frequenz (z. B. 6 Hz) und generiert einen „Action Chunk" (einen Block von nominalen Aktionen).
   • Dual-Gated Fusion: Vision und Kraft werden über einen Cross-Attention-Mechanismus fusioniert.
     • Ein globaler Gate ($p_c$) unterdrückt Kraftsignale im freien Raum (Rauschen).
     • Ein phasenabhängiger Gate ($p_t$) gewichtet die Attention-Köpfe, um sicherzustellen, dass nur relevante Kraftinformationen für die aktuelle Phase genutzt werden.
   • Orthogonal Residual Injection (ORI): Anstatt die visuellen Merkmale zu überschreiben, wird die Kraftinformation als orthogonaler Residual-Vector hinzugefügt. Dies bewahrt die visuell dominierte Semantik der Aufgabe und verhindert semantische Drifts.

3. Fast Residual Corrector (Schnelle Korrektur):

   • Arbeitet mit hoher Frequenz (z. B. 24 Hz) innerhalb des Action Chunks.
   • Phase-Routed Subspaces: Basierend auf der Phasenverteilung ($p_t$) werden die Korrekturkanäle (z. B. x, y, z, Roll, Pitch, Yaw) dynamisch aktiviert oder deaktiviert.
     • Beispiel: In der Suchphase werden planare Korrekturen (x, y, Gier) aktiviert; in der Einfügephase die Normalkompliance (z).
   • Physikalische Prioritäten: Der Corrector wird überwacht, indem ein virtueller Ziel-Pose-Offset basierend auf physikalischen Prinzipien (z. B. Reibungslinderung, Normalkraft-Regelung) als Residual-Ziel vorgegeben wird.

B. Ausführung

Der endgültige Befehl ergibt sich aus der Komposition der nominalen Pose des Slow-Planners und der hochfrequenten Residual-Korrektur des Fast-Correctors auf der Mannigfaltigkeit SE(3).

3. Wichtige Beiträge

1. Phasen-geplante Slow-Fast-Policy: Ein einheitliches Framework, das kraftbewusste generative Planung mit hochfrequenter Residual-Korrektur verbindet.
2. Explizites Scheduling-Signal: Die Einführung einer Kontaktwahrscheinlichkeit und Phasenüberzeugung, die entscheidet, wann Kraft genutzt wird und in welchem Korrektur-Unterraum sie angewendet wird.
3. Orthogonale Residual-Injektion: Eine Technik, die die visuelle Semantik in der Planung bewahrt, während Kraftinformationen als ergänzende Korrektur eingefügt werden.
4. Robustheit: Nachweisliche Verbesserungen sowohl bei in-Distribution (ID) als auch bei Out-of-Distribution (OOD) Szenarien (z. B. Höhenverschiebungen).

4. Ergebnisse

Die Methode wurde an einem Flexiv Rizon 4s Roboterarm mit 6-Achsen-Kraftsensor und Multi-View-Kameras auf fünf realen Kontaktaufgaben getestet:

• Aufgaben: Stecker-Einfügen (Ladegerät, USB), Schubladen-Öffnen, Wischen (ID und OOD).
• Erfolgsrate (SR): PhaForce erreichte eine durchschnittliche Erfolgsrate von 86 %, was eine Steigerung von +40 Prozentpunkten gegenüber den besten Baselines (wie Diffusion Policy oder Reactive Diffusion Policy) darstellt.
  • Beispiel USB-Stecker: 85 % (PhaForce) vs. 55 % (RDP).
  • Beispiel Wischen (OOD): 85 % (PhaForce) vs. 75 % (RDP) und 0 % bei reinen Chunk-Methoden.
• Kontaktqualität: Bei Wischaufgaben zeigte PhaForce die beste Balance zwischen Über- und Unterdruck, was zu einer höheren Wischqualität führte.
• OOD-Robustheit: Im Gegensatz zu Baselines, die bei Höhenverschiebungen (OOD) komplett versagten (0 % SR), konnte PhaForce durch die schnelle Residual-Korrektur die Kontaktgeometrie kompensieren.

5. Bedeutung und Fazit

PhaForce adressiert die kritische Lücke zwischen der langsamen Planungsfrequenz moderner visuomotorischer KI und der Notwendigkeit schneller Reaktionen auf Kontaktkräfte.

• Innovation: Statt Kraftdaten einfach nur zu fusionieren, führt das System eine semantische Steuerung ein, die Kraft nur dann nutzt, wenn sie physikalisch sinnvoll ist (Kontakt) und nur in den Richtungen, die für die aktuelle Phase relevant sind.
• Praxisrelevanz: Die Methode ermöglicht es Robotern, komplexe Aufgaben mit feinen Toleranzen (Millimeterbereich) und dynamischen Kontakten (Reibung, Verklemmen) zuverlässig zu lösen, auch wenn die Umgebung leicht von den Trainingsdaten abweicht.
• Zukunft: Die Arbeit legt den Grundstein für VLA-Modelle (Vision-Language-Action), die nicht nur sehen, sondern auch phasenbewusst und physikalisch robust interagieren können.

Zusammenfassend demonstriert PhaForce, dass die Kombination aus expliziter Phasenplanung und hochfrequenter, subspace-spezifischer Korrektur der Schlüssel zur Beherrschung kontaktreicher Manipulationsaufgaben ist.