想象一下，你正试图用一根长长的、看不见的牵引绳，引导一位笨拙的朋友穿过拥挤的房间。这本质上就是遥操作：人类（“领导者”）移动他们的手，而机器人（“跟随者”）则尝试远程复制这些动作。
长期以来，实现这一点的标准方法就像是用一根非常僵硬、紧绷的弹簧将两者连接起来。如果你移动手，弹簧会立即拉动机器人。
- 问题所在：如果弹簧太紧（高刚度），机器人会很精准，但如果它撞到了易碎的东西（比如气球或人），就会猛烈撞击并造成损坏。如果你放松弹簧（低刚度）以求安全，机器人就会变得懒散并滞后于你的动作，错过你的移动。你不得不在安全和精准之间做出选择。
本文介绍了一种名为**意图同化控制（IAC）**的新方法，解决了这一困境。以下是其工作原理，使用简单的类比说明：
1. 旧方法：“跟随我当前的位置”（遥阻抗控制）
在旧方法（称为 TIC）中，机器人被指示：“精确复制我手此刻所在的位置。”
- 缺陷：如果机器人为了安全而变得“柔软”（低刚度），它就无法跟上你快速的动作。它会拖在后面。为了追赶，机器人必须猛烈地向前猛冲（就像汽车急转车轮），这既危险又不准确。
- 结果：你要么必须绷紧肌肉（高刚度）以使机器人精准，要么机器人就会变得 sloppy 且不安全。
2. 新方法：“跟随我的目标”（意图同化控制）
新方法（IAC）改变了对话方式。机器人不再说“复制我此刻在哪里”，而是问：“你试图去哪里？”
- 魔法技巧：机器人观察你施加在控制器上的力。就像一位熟练的舞伴可以根据你的倾斜猜测你下一步想踏向哪里一样，这个机器人能够预测你的目标。
- 类比：想象你正穿过一片花田。
- 旧机器人：你告诉它，“踩在我脚所在的位置”。如果你移动得快，机器人就会因为试图追赶你当前的脚位而绊倒在花丛中。
- 新机器人（IAC）：你告诉它，“踩在我想要去的地方”。机器人看到你的意图，计算出通往那个未来位置的平滑路径，并轻柔地走过去。即使机器人是“柔软”且温和的，它也知道确切该去哪里，因为它瞄准的是你的目标，而不是你当前滞后的位置。
3. 为什么这很重要
研究人员在四种不同场景下，用两个机器人手臂（像拥有 7 个关节的人类手臂）测试了这种方法：
- 自由移动：当机器人在空中移动时，新方法更加精准，即使机器人被设置为非常柔软和温和。旧方法在机器人试图追赶时，会让机器人剧烈地“甩动”。
- 气球测试：机器人必须触碰气球而不将其弄破。
- 旧机器人（即使具有高刚度）过于笨拙，弄破了气球。
- 新机器人（具有低刚度）轻柔地按压气球而没有弄破它，同时完美地跟随人手。
- 插销入孔：这是一项经典的棘手任务，需要将插销滑入一个小孔中。
- 使用旧机器人时，人们很吃力。机器人太 sloppy 而无法对齐插销，当它卡住时，人类无法轻易将其晃松，因为机器人对微小的旋转动作没有反应。
- 使用新机器人时，人们完成任务的速度快得多，成功率也高得多。因为机器人遵循的是预期路径，它足够柔软，可以将插销晃入孔中而无需强行推入。
- 抛光：在一个人类可以感受到机器人施加的力的设置中（比如抛光桌子），新方法允许人类随时改变机器人感觉到的“刚度”。无论机器人是柔软还是坚硬，它都保持精准。
核心结论
该论文声称，意图同化控制允许机器人同时做到安全（柔软且温和）和精准（完美命中目标）。
它通过阻止机器人盲目追逐人类当前的手部位置，转而让其追逐人类的预期目的地来实现这一点。这赋予了人类操作者自由：在靠近易碎物体时可以保持温和，在需要时可以保持坚定，而机器人永远不会迷失方向或变得危险。
技术摘要：遥操作中变阻抗精确跟踪的意图同化控制
1. 问题陈述
遥操作系统通常依赖类弹簧力将跟随机器人拉向主导机器人的位置。这种传统方法存在一个根本性的权衡：
- 低刚度：确保在与易碎物体或人类交互时的安全性，但导致跟踪精度较差，特别是在动态运动期间。
- 高刚度：确保精确跟踪，但在共享环境中存在安全风险，并且当操作员快速改变阻抗时可能引起不稳定或“鞭打”效应。
现有的最先进解决方案，如遥阻抗控制（TIC），试图通过估计操作员的臂阻抗（通过肌电图或抓握力）并将跟随者的阻抗与之匹配来解决这一问题。然而，TIC 仍然将主导机器人的当前位置作为目标传输。因此，如果跟随者的阻抗较低（顺应性高），除非操作员保持高物理刚度（共同收缩），否则无法精确跟踪主导机器人的轨迹，而这既令人疲劳又不可持续。相反，如果跟随者刚度高，则可能损坏环境。
所解决的核心问题是如何使跟随机器人能够精确跟踪主导机器人的运动，同时允许操作员自由地将跟随者的阻抗从低调节到高，且不损害跟踪性能或安全性。
2. 方法论：意图同化控制（IAC）
作者提出了意图同化控制（IAC），这是一种将跟踪精度与跟随者瞬时阻抗解耦的策略。
核心概念
与传统方法将主导机器人的当前位置（xl）传输给跟随者不同，IAC 根据操作员施加的力估计主导机器人的目标位置（τl），并将此估计目标传输给跟随者。跟随者随后跟踪此虚拟目标（τ∗），而不是主导机器人的瞬时状态。
控制架构
- 目标估计：跟随者通过观察施加在主导机器人上的力来估计操作员的预期轨迹（τ∗）。这使用内部模型进行建模，其中目标轨迹是时间的函数（例如，固定位置或线性速度）。
- 状态观测：采用卡尔曼滤波器来估计扩展状态向量，该向量包括机器人的位置、速度、目标轨迹参数以及主导机器人的控制输入。观测器最小化估计状态与测量状态（位置、速度和力）之间的误差。
- 控制律：跟随者的控制器设计为：
u=−L1(x−τ∗)−L2(x˙−τ˙∗)
其中 L1 和 L2 是跟随者的刚度和阻尼增益。由于目标 τ∗ 是对预期轨迹的估计，而不是当前位置，因此增益 L1 和 L2 无需设得很高即可实现收敛。它们可以设为低值以确保安全，或进行动态调节。
- 阻抗调节：操作员通过其强力抓握力控制跟随者的阻抗幅值，该力与臂末端执行器刚度呈线性相关。这允许实时调整跟随者的顺应性。
- 稳定性：为了防止在快速增加刚度时出现不稳定（阻抗控制中的已知问题），使用源自 Kronander 和 Billard (2016) 的条件对刚度增加速率进行约束，确保系统在快速转换期间保持稳定。
系统动力学
该论文使用标准刚体动力学对主导和跟随机器人进行建模。跟随者的控制器补偿其自身动力学以匹配主导机器人的动力学，有效地创建一个“匹配”系统，如果控制输入相同，跟随者将模仿主导机器人的行为。
3. 主要贡献
- 新颖控制策略：引入 IAC，将控制范式从跟踪主导机器人的当前位置转变为跟踪源自操作员意图的估计目标位置。
- 精度与阻抗解耦：证明即使跟随者的阻抗较低，也能保持高跟踪精度，克服了 TIC 的局限性。
- 实验验证：在四个不同的实验场景中对 IAC 和 TIC 进行了全面比较：
- 自由跟踪：变阻抗的多轴运动。
- 软交互：与气球交互以测试安全性和顺应性。
- 销钉插入孔：一项需要高顺应性进行对齐但需要精确跟踪进行插入的精密任务。
- 双边抛光：力反馈任务，操作员通过抓握力调节阻抗。
4. 实验结果
该研究使用了两个 7 自由度 Franka Emika 机械臂，单向任务通信延迟为 100 毫秒，双向任务为 0 毫秒。
自由跟踪：
- TIC：当阻抗降至 400 N/m 以下时，跟踪误差急剧增加。在低刚度（80 N/m）下，误差超过 20 厘米。高刚度在操作员增加阻抗时会导致“鞭打”（快速加速/减速）。
- IAC：在整个阻抗范围（80–1320 N/m）内，跟踪误差保持在 10 厘米以下（徘徊在 5 厘米左右）。未观察到鞭打现象。
- 定量：在测试范围内，IAC 将跟踪误差减少了 TIC 的 2.21 倍。
气球交互：
- TIC：即使使用高增益（300 N/m），跟随者在自由空间中也无法精确跟踪，并在接触时因顺应性控制不佳而刺破气球。
- IAC：在低增益（60 N/m）下，跟随者在自由空间中精确跟踪主导机器人，并与气球温和交互，防止破裂。
销钉插入孔：
- 参与者：8 名新手用户。
- 成功率：IAC 在 20 秒内实现了 88% 的成功率，而 TIC 为 50%（p=0.02）。
- 完成时间：IAC 的成功试验耗时显著更少（10.0 秒对比 TIC 的 17.0 秒，p<0.001）。
- 机制：改进主要由插入阶段驱动。IAC 允许跟随者的方向正确响应主导机器人的旋转调整，使用户能够“晃动”销钉以解除卡滞。当跟随者具有顺应性时，TIC 无法有效传递这些旋转校正。
双边抛光：
- 即使操作员通过抓握力调节阻抗，IAC 也能在 x-y 平面上保持低跟踪误差。
- 力反馈在两种模式下都准确反映给主导机器人，证实了稳定的双向操作。
5. 意义与主张
该论文声称，IAC 在单向和双向遥操作期间提供了对跟随者位置和阻抗的前所未有的控制水平。
- 安全性与精度：IAC 解决了传统的权衡问题，允许在保持跟踪精度的同时进行安全、低刚度的交互。
- 用户自由度：操作员可以根据任务需求调节阻抗（例如，抛光时低刚度，钻孔时高刚度），而无需通过物理共同收缩肌肉来维持精度。
- 鲁棒性：该方法对通信延迟具有鲁棒性（在 100 毫秒下测试），并且在测试配置中不需要复杂的无源性算法来保证稳定性。
- 实用性：通过使用强力抓握力来估计阻抗，该系统避免了基于肌电图的方法相关的噪声和校准困难，使其更适用于实际部署。
作者得出结论，IAC 使机器人能够精确复制人类运动，同时赋予用户根据环境调整阻抗的自由，而 TIC 无法在不牺牲安全性或性能的情况下实现这一能力。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。