技术摘要：基于虚拟模型控制的周期性鲁棒机器人摇切技术

问题陈述

机器人切割是一项复杂的、富含接触的操纵任务，其特征是具有不可预测的材料断裂、变形以及显著的几何不确定性（例如：刀具形状、砧板高度和食物特性）。现有方法面临两个主要局限：

1. 基于学习的方法需要大量的交互数据才能收敛，这带来了安全风险并在训练过程中产生食物浪费。它们往往难以泛化到训练分布之外的物体属性或工具几何形状。
2. 基于模型和轨迹跟踪的方法依赖于对刀具和环境的精确运动学建模。当面对未建模的几何约束，或机器人遇到与预设轨迹不同的接触条件时，这些方法通常会失效。此外，通过预定义路径生成节奏性的“摇切”（rock-chop）动作，需要对环境约束进行精确表征，而这在实际应用场景中通常是无法获得的。

核心挑战在于如何在不依赖高保真建模、精确环境感知或预计算轨迹的情况下，实现鲁棒且有节奏的切割。

方法论

作者提出了一种**虚拟模型控制（Virtual Model Control, VMC）**框架，该框架通过物理结构的交互而非显式的轨迹规划，生成鲁棒且自持的摇切动作。

虚拟机构设计

控制器采用了一种切换式虚拟机构，通过与环境的动态交互来塑造机器人的行为：

• 虚拟质量与弹簧： 一个虚拟质量沿摇切方向（y轴）滑动，并通过弹簧-阻尼器连接至刀尖（$p_1$）。这确保了与砧板的持续接触，同时允许自由滑动。
• 拓扑切换： 系统在对应于切割阶段和抬升阶段的两种虚拟机械拓扑之间进行切换。
  • 第二个弹簧-阻尼器将刀柄（$p_2$）连接至控制点（$p_b$）。
  • $p_b$ 在两个参考点（$r_{2,1}$ 和 $r_{2,2}$）之间切换。切换至 $r_{2,1}$ 会驱动刀具向下（切割），而切换至 $r_{2,2}$ 则会将刀具抬起（抬升）。
  • 切换由刀具的朝向（刀背与砧板的对齐情况）以及相对于参考点的位置触发，并通过平滑的质量-弹簧-阻尼系统进行调节，以确保动力学的连续性。
• 平面约束： 刀具上的四个额外虚拟点通过弹簧和阻尼器连接到被约束在期望切片平面（$r_S$）上的虚拟质量上。这强制执行平面运动，以确保切口整齐均匀。
• 非线性元件： 所有虚拟弹簧均采用饱和非线性特性（$f = \sigma \tanh(k|z|/\sigma) \frac{z}{|z|}$），以限制过大的力并增强安全性。

理论分析

作者通过能量分析证明了该系统会进入一个稳定的极限环：

• 能量平衡： 周期性运动源于通过参考点切换注入的能量与通过虚拟阻尼、机器人内部耗散以及环境阻力（食物/砧板交互）消耗的能量之间的平衡。
• 稳定性认证： 通过相关庞卡莱映射（Poincaré map）的收缩性对稳定性进行分析。通过对返回映射进行数值线性化，结果显示特征值在广泛的参数变化范围内均保持在单位圆内，从而确认了极限环的渐近稳定性。

核心贡献

1. 基于 VMC 的极限环控制器： 一种新型控制器设计，通过受控的机械切换和调节的能量注入生成鲁棒且自持的摇切动作，消除了对显式轨迹规划的需求。
2. 理论稳定性证明： 利用钝性理论（passivity theory）和庞卡莱映射分析，对切割运动的稳定性和周期性进行了分析与实验验证。
3. 全面的实验表征： 评估了系统在五种蔬菜类型（小葱、黄瓜、西葫芦、胡萝卜、土豆）及不同厚度（1–6 mm）和速度下的切割性能。
4. 鲁棒性验证： 证明了控制器在无需重新调优的情况下，能够适应刀具几何形状（两种不同的刀具）和砧板高度（高达 40 mm 变化）的扰动。
5. 平台无关性： 在两个不同的机器人平台——Franka FR3 和 RT Corp Sciurus 17 类人机器人上成功实现了算法的部署与迁移。
6. 在线自适应研究： 对在线参数自适应（根据食物分离成功率调整刚度 $k_2$）进行了初步调查，以应对变化的材料属性。

实验结果

实验使用配备力/力矩传感器和刚性连接刀具的 Franka Research 3 机械臂进行。

• 性能： 系统在厚度为 1 mm 至 6 mm 的范围内实现了亚毫米级的切片精度，切割频率接近每秒一次。
• 对几何形状的鲁棒性： 使用同一套参数，控制器在使用两种不同刀具（具有不同刀刃曲率）时仍能保持稳定的摇切运动并成功完成切割。相比之下，依赖预定义轨迹的基准阻抗控制和混合力/位控制在刀具几何形状改变时，无法维持接触或导致切割不完整。
• 对环境的鲁棒性： 控制器成功适应了 0 至 40 mm 的砧板高度变化。基准控制器在更高的砧板高度下会因接触力过大触发保护停机或失去接触而失败。
• 参数敏感性： 通过 MuJoCo 模拟进行的敏感性分析表明，系统在大多数参数 $\pm 20\%$ 的变化范围内保持稳定。唯一的失效情况发生在切换阈值过于接近时，这会导致状态间的快速振荡。
• 对比： 与标准的阻抗控制及混合力/位控制基准相比，所提出的 VMC 方法在应对几何失配和环境不确定性方面表现出更优越的鲁棒性，因为它不依赖于跟踪名义轨迹。

意义与主张

论文声称，虚拟模型控制提供了一个鲁棒的设计框架，用于处理复杂的富接触操纵任务，并显著降低了对高保真建模和计算开销的依赖。

• 结构鲁棒性： 作者认为，鲁棒性源于控制器本身的结构。其行为是由具有物理意义的交互动力学塑造的，而非由预计算的轨迹或学习到的映射所决定。
• 泛化能力： 不同于需要大量数据的学习方法或需要精确几何信息的基于模型的方法，该方法仅需要近似的任务级初始化（例如：物体的近似位置和刀具朝向）以及极少的参数调优。
• 局限性与范围： 作者谦虚地指出，本研究的重点在于生成鲁棒周期性切割行为的控制层。它并未解决整个自主食物准备流程的问题（例如：取放、固定食物或实时视觉集成），尽管其设计旨在集成到此类流程中。在线自适应研究被视为迈向更高级自适应能力的初步步骤。

这项工作证明，通过物理结构的控制器可以有效处理切割过程中固有的不确定性，为周期性、富接触任务提供了一种替代轨迹跟踪和数据密集型学习方法的可行方案。