💻 computer science

FILIC: Dual-Loop Force-Guided Imitation Learning with Impedance Torque Control for Contact-Rich Manipulation Tasks

Het artikel stelt FILIC voor, een dual-loop framework dat Transformer-gebaseerde imitatieleer combineert met impedantie-koppelregeling en een kosteneffectieve eindeffector-krachtschatter, om precieze, compliant en sensorloze krachtregulatie mogelijk te maken bij contactrijke robotische manipulatietaken.

Oorspronkelijke auteurs: Haizhou Ge, Yufei Jia, Zheng Li, Yue Li, Zhixing Chen, Lu Shi, Lei Han, Ruqi Huang, Guyue Zhou

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Haizhou Ge, Yufei Jia, Zheng Li, Yue Li, Zhixing Chen, Lu Shi, Lei Han, Ruqi Huang, Guyue Zhou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert om delicate taken uit te voeren, zoals het dichtdraaien van een dopje, het inpluggen van een oplader of het aandraaien van een klem. De oude manier van robots leren was als het leren aan een geblinddoekte persoon om door een drukke kamer te lopen: je vertelde hen precies waar ze hun voeten moesten plaatsen (positie), maar je vertelde hen niet waar ze tegenaan botsten. Als ze een muur raakten, bleven ze gewoon harder duwen, waardoor ze vaak dingen beschadigden of zichzelf beschadigden.

Dit artikel introduceert een nieuw systeem genaamd FILIC (Force-guided Imitation Learning with Impedance Control). Denk erbij als het geven van "superzintuigen" en "zachte handen" aan de robot, zonder dat daar dure, kwetsbare sensoren voor nodig zijn.

Hier is hoe het werkt, opgedeeld in eenvoudige delen:

1. Het Probleem: Robots zijn "blind" voor aanraking

De meeste robots leren door naar mensen te kijken (Imitation Learning). Maar ze leren meestal alleen waar ze naartoe moeten bewegen, niet hoe hard ze moeten duwen.

De Analogie: Stel je voor dat je een draad door een oog van een naald probeert te rijgen terwijl je dikke bokshandschoenen draagt. Je kunt de naald wel zien, maar je kunt de draad niet voelen. Als je te hard duwt, buig je de naald; druk je te zacht, dan mis je de draad.
Het Probleem: Om dit op te lossen, plaatsen ingenieurs meestal dure "krachtsensoren" op de pols van de robot. Maar deze sensoren zijn kostbaar, gaan gemakkelijk kapot en zijn niet beschikbaar op de meeste goedkope robots.

2. De Oplossing: Een "Digitale Tweeling" Brein

De auteurs losten het kostenprobleem op door een Digitale Tweeling te creëren.

De Analogie: Stel je voor dat de robot een perfecte, onzichtbare "geestversie" van zichzelf heeft die in een computer draait. Deze geest weet precies hoe zwaar de arm van de robot is en hoe de zwaartekracht eraan trekt.
Hoe het werkt: De echte robot beweegt, en de computer berekent wat de robot zou moeten voelen op basis van zijn interne motoren. Door te vergelijken wat de robot daadwerkelijk voelt (vanuit zijn motoren) met wat de geest zegt dat hij zou moeten voelen, kan het systeem wiskundig berekenen welke "extra" kracht er uit de buitenwereld komt (zoals de weerstand van een schroef).
Het Resultaat: De robot "weet" nu dat hij iets aanraakt, ook al heeft hij geen fysieke aanraaksensor op zijn pols. Het is alsof je voelt dat je een zware doos vasthoudt door te voelen hoeveel je spieren inspannen, in plaats van de doos op een weegschaal te wegen.

3. Het Twee-Loop Systeem: Het Brein en de Reflex

FILIC gebruikt een "Dual-Loop" architectuur, wat lijkt op het hebben van een bewust brein en een reflexmatig zenuwstelsel dat samenwerken.

De Buitenste Loop (Het Brein - 25 keer per seconde):
Dit is het "Imitation Learning"-gedeelte. Het kijkt naar camerabeelden en de geschatte "aanraakgegevens" (van de Digitale Tweeling). Het beslist de volgende grote beweging, zoals "beweeg de hand iets naar links." Het is slim en leert van menselijke demonstraties.
De Binnenste Loop (De Reflex - 2.000 keer per second):
Dit is het "Impedance Control"-gedeelte. Het neemt het commando van het brein en voert dit uit met "zachte handen". In plaats van te zeggen "Ga naar positie X", zegt het: "Duw voorzichtig tot je weerstand voelt, en stop dan."
- De Analogie: Denk aan een veer. Als je een veer indrukt, geeft deze mee. Als je tegen een muur duwt, duwt die terug. De binnenste loop zorgt ervoor dat de robot zich gedraagt als een veer. Als hij een muur raakt, botst hij niet; hij geeft zachtjes mee, past zich aan en probeert het opnieuw. Dit gebeurt zo snel (2.000 keer per seconde) dat de robot ongelooflijk vloeiend en veilig aanvoelt.

4. Leren met "Trilling"

Om de robot te leren, gebruikten de onderzoekers een speciale afstandsbediening met vibratie-feedback.

De Analogie: Wanneer een menselijke operator de robot aanstuurde, trilde de afstandsbediening harder wanneer de robot iets stevig aanraakte. Het was als een "haptische" duw die zei: "Ho, je duwt te hard!"
Het Resultaat: De mens leerde hierdoor van nature om voorzichtig en precies te zijn. De robot nam deze zachte bewegingen op en leerde niet alleen waarheen hij moest gaan, maar ook hoe hij zijn weg moest voelen door de taak.

5. De Resultaten: Slimmer en Veiliger

Het team testte dit op vier lastige taken: het inpluggen van een adapter, het indrukken van een noodknop, het aandraaien van een C-klem en het dichtdraaien van een dopje.

De "Blinde" Robot (Alleen Positie): Faalde vaak. Hij miste het gat of duwde te hard en beschadigde het object.
De "Spier-voelende" Robot (Joint Torque): Beter, maar nog steeds onhandig. Hij kon de spanning in zijn spieren voelen, maar begreep niet precies waar de kracht vandaan kwam.
De FILIC Robot (Geschatte Kracht + Zachte Handen): De Winnaar.
- In de simulatie slaagde hij 90% van de tijd.
- In de echte wereld slaagde hij in 80% of meer van de gevallen bij alle taken.
- Het was aanzienlijk beter dan de andere methoden omdat het contact duidelijk kon "voelen" en direct kon reageren met zijn zachte, veerachtige reflexen.

Samenvatting

FILIC is een manier om robots voorzichtig en precies te laten zijn zonder dure sensoren te kopen. Het gebruikt een computer-"geest" om te raden wat de robot aanraakt en een supersnel "reflex"-systeem om de robot te laten bewegen als een veer in plaats van een hamer. Dit stelt robots in staat om delicate, contact-intensieve taken veilig en succesvol uit te voeren, zelfs op goedkope hardware.

Technische Samenvatting: FILIC – Dual-Loop Force-Guided Imitation Learning met Impedantie-torquecontrole

Probleemstelling

Contactrijke manipulatietaken, zoals insertie, assemblage en in-hand manipulatie, vereisen nauwkeurige krachtregulatie om veilig en effectief te interageren met fysieke omgevingen. Hoewel Imitation Learning (IL) een dominante paradigma is geworden voor het verwerven van dergelijke vaardigheden, blijven conventionele benaderingen grotendeels positie-gecentreerd. Deze methoden genereren doorgaans gewrichtsposities of 6-DOF poses, wat vaak leidt tot excessieve interne krachten tijdens contact, met risico op schade aan de robot en de omgeving.

Hoewel feedback van de end-effector kracht cruciaal is voor compliant gedrag, beperkt het vertrouwen op pols-gemonteerde Force/Torque (F/T) sensoren de schaalbaarheid vanwege de hoge kosten en hardwarecomplexiteit. Bovendien behandelen bestaande pogingen om kracht in IL te integreren de kracht vaak slechts als een aanvullend signaal voor positiecontrole, in plaats van het te gebruiken voor compliante uitvoering. Er blijft een aanzienlijke kloof bestaan bij het inzetten van stabiele, compliante controle op torque-niveau in goedkope, sensorloze omgevingen.

Methodologie: Het FILIC-framework

Om deze uitdagingen aan te pakken, stellen de auteurs FILIC voor (Force-guided Imitation Learning with Impedance torque Control), een dual-loop architectuur die een hoogwaardige Transformer-gebaseerde IL-policy integreert met een laagwaardige impedantiecontroller.

1. Dual-Loop Controlearchitectuur

Het systeem werkt op twee verschillende tijdschalen om perceptie, planning en uitvoering in balans te houden:

Outer Loop (25 Hz): Een Transformer-gebaseerde IL-policy verwerkt multimodale sensorische inputs, inclusend visuele beelden (gecodeerd via ResNet), end-effector pose en geschatte externe krachten. De policy voorspelt een sequentie van doel-6-DOF end-effector poses. Deze loop maakt gebruik van een Action Chunking with Transformers (ACT) benadering om temporele coherentie en robuustheid te verbeteren.
Inner Loop (2 kHz): De voorspelde doelposes worden via Inverse Kinematics (IK) omgezet in gewrichtshoeken. Een joint-space impedantiecontroller voert vervolgens torque-commando's uit op een hoge frequentie. Deze loop gebruikt een vereenvoudigd veer-demper model (waarbij de inertieterm wordt weggelaten om acceleratieruis te vermijden) om een stabiele, compliante uitvoering op torque-niveau te garanderen. Een gravity compensation module draait op 250 Hz om de dynamica-estimatie te ondersteunen.

2. Sensorloze End-Effector Krachtschatting

Een kerninnovatie van FILIC is het vermogen om end-effector wrenches te schatten zonder specifieke F/T-sensoren.

Jacobian-gebaseerde Inversie: Het systeem maakt gebruik van de analytische relatie tussen gewrichtstorsies en end-effector krachten: $\tau_{ext} = J(q)^T F_{ext}$ . Door de transponering van de Jacobian te inverteren, schat het systeem externe krachten op basis van gewrichtstorsie-metingen.
Synchrone Digitale Tweeling: Om rekening te houden met real-world factoren zoals sensorruis, wrijving en mechanische compliantie, maken de auteurs gebruik van een high-fidelity digitale tweeling (gesimuleerd in MuJoCo). Deze tweeling is gesynchroniseerd met de gewrichtsposities en snelheden van de fysieke robot om de verwachte gewrichtstorsies ( $\tau_{inv}$ ) te berekenen. De externe kracht wordt vervolgens geschat door de geobserveerde torsies ( $\tau_{obs}$ ) te vergelijken met de door het model voorspelde torsies:
$F_{ext} = J(q)^T + (\tau_{obs} - \tau_{inv})$
Deze aanpak elimineert de noodzaak voor dure hardware terwijl het intuïtieve krachtrepresentaties biedt voor de IL-policy.

3. Haptische Feedback Datacollectie

Om hoogwaardige demonstratiedata te waarborgen die betekenisvolle krachtvariaties vastleggen, maken de auteurs gebruik van een goedkope handmatige teleoperatie-interface uitgerust met vibrotactiele haptische feedback. De geschatte end-effector krachten worden gemapt naar vibratiefrequenties, waardoor menselijke operators de contactintensiteit intuïtief kunnen waarnemen en hun acties daarop kunnen aanpassen.

Belangrijkste Bijdragen

Het artikel beschrijft drie primaire bijdragen:

Sensorloze Krachtschatting: Een goedkope methode voor het schatten van end-effector wrenches met behulp van een synchrone digitale tweeling en Jacobian-gebaseerde inversie, inclusief een open-source implementatie.
Dual-Loop Framework: Een nieuwe architectuur die een outer-loop Transformer-gebaseerde imitatie-policy (die visuele en kracht-inputs fuseert) combineert met een inner-loop impedantie-torquecontroller, wat compliante manipulatie mogelijk maakt zonder pols F/T-sensoren.
Prestatievalidatie: Empirisch bewijs dat het vervangen van ruwe gewrichtstorsie door geschatte end-effector kracht de prestaties van de policy in contactrijke taken aanzienlijk verbetert.

Experimentele Resultaten

De auteurs evalueerden FILIC in simulatie- en real-world scenario's met vier contactrijke taken: het insteken van een voedingsadapter, het bedienen van een noodstopknop, het fixeren van een C-klem en het aandraaien van een dop van een fles.

Nauwkeurigheid van Krachtschatting: Statische belastingstests op een 6-DOF manipulator bevestigden het vermogen van de estimator om gravitationele belastingen te volgen met een lage gemiddelde fout en standaarddeviatie.
Policy Prestaties (Simulatie):
- Position-only baseline: 68,0% succespercentage.
- Position + Joint Torque: 80,0% succespercentage.
- Position + Geschatte EE Force (FILIC): 90,0% succespercentage.
Policy Prestaties (Real-World):
- FILIC presteerde consequent beter dan zowel de position-only als de position-plus-joint-torque baselines over alle vier de taken.
- Verbeteringen ten opzichte van position-only varieerden van +33,3 pp (Plug) tot +53,4 pp (Cap).
- Cruciaal is dat Geschatte EE Force consequent beter presteerde dan de ruwe Joint Torque inputs (bijv. +16,7 pp verbetering in de Plug-taak), wat aangeeft dat de geschatte wrench een meer taak-gealigneerd contactsignaal biedt.

Betekenis en Claims

Het artikel claimt dat FILIC er succesvol in slaagt de kloof te overbruggen tussen moderne imitation learning en compliante fysieke interactie zonder afhankelijk te zijn van dure hardware. Door een hoogwaardige semantische policy te verenigen met een laagwaardige torque-controller en een sensorloze krachtestimator, bereikt het framework veiligere, meer compliante en aanpasbare contactrijke manipulatie.

De auteurs benadrukken dat hun aanpak robots in staat stelt om rijke fysieke interactiedynamica te exploiteren in omgevingen met beperkte middelen. De resultaten suggereren dat expliciete krachtrepresentatie, afgeleid via digitale tweeling-gebaseerde schatting, superieur is aan ruwe gewrichtstorsie voor het leiden van IL-policies in contactscenario's. Het werk concludeert dat een dergelijk framework menselijke behendigheid in ongestructureerde omgevingen mogelijk maakt terwijl de schaalbaarheid en toegankelijkheid behouden blijven.