在基于接触的机器人操控中识别物理交互，以通过示范进行学习

《Advanced Robotics Research》：Identifying Physical Interactions in Contact-Based Robot Manipulation for Learning from Demonstration

自主机器人通过示教数据自动建模物理交互，提出基于机械功率的交互帧方法。该方法通过最小化机械功率分量解耦速度和力数据，识别具有物理意义的参考帧和交互类别，支持多任务适应。实验表明，该方法在孤立约束识别（几何误差≤10mm，旋转误差≤7°）和序列接触任务（如滑轨跟踪）中均有效，可单次示教实现多阶段任务复现，且性能优于仅基于速度或力的传统方法。阈值分割结合滑动窗口过滤减少噪声干扰，解耦控制策略提升任务鲁棒性。

　　自主机器人操作能力的提升对于其在各种劳动环境中的应用至关重要，例如医疗、物流和制造业。机器人在这些环境中可能需要执行多种操作任务，如抓取、擦拭、开启和关闭容器、推动和拉动、敲击、拧紧和插入等。然而，尽管特定机器人可能在特定任务中表现出色，但在执行多种任务时可能缺乏足够的灵活性。因此，开发能够处理多种操作任务的多功能机器人具有重要意义。

识别机器人与环境之间的物理交互是提高自主操作能力的关键步骤之一。现有的方法通常可以识别出有意义的物理交互，如约束条件，但它们在面对广泛的不同交互类型时扩展性较差。为了克服这一局限，本文提出了一种基于“交互框架”（interaction frames）的建模方法，即通过最小化和解耦演示数据中的笛卡尔机械功率组件来识别交互框架。交互框架是与机器人和/或地面物体相连的参考系，每个轴线与一种交互类别相关联。该方法能够识别出交互发生的位置，例如在几何特征上。通过三个实验评估了该方法的效果。首先，通过多个单约束实验评估了识别精度，比较了基于速度、基于力和本文提出的基于功率的方法，结果表明后者的性能更优。其次，该方法被应用于包含不同顺序接触的演示任务。第三，展示了该方法如何作为学习演示（Learning from Demonstration, LfD）的基础，通过单次演示复现了顺序接触任务。该方法可以在极少的先验信息下应用，有助于开发多功能机器人。

当前的研究重点在于如何更有效地建模物理交互，以便机器人能够自主地完成各种任务。以往的建模方法主要分为两类：一类是特定的物理交互模型，这类方法通常需要预先定义交互模型，然后根据演示数据进行拟合；另一类是通用的交互模型，这类方法通常需要大量的演示数据来学习模型。然而，这两种方法都存在局限性。特定模型虽然物理意义明确，但当面对多种不同的交互类型时，手动定义所有模型并不现实。而通用模型虽然更灵活，但它们通常无法捕捉到物理交互的精确性，因此在任务复现时可能需要依赖通用控制方法，而不是考虑具体的物理特征。

为了克服这些局限性，本文提出了一种新的建模方法，即通过交互框架来识别物理交互。交互框架是基于最小化和解耦机械功率组件的参考系，能够识别出交互发生的位置和类型。这种方法结合了特定模型和通用模型的优点，既保留了物理意义，又适用于更广泛的任务类型。通过三个实验验证了该方法的有效性：首先，通过多个单约束实验评估了识别精度，结果表明基于功率的方法在识别精度上优于基于速度和基于力的方法；其次，该方法被应用于一个包含多个顺序接触的演示任务，展示了其在复杂任务中的适用性；第三，该方法被用于从单次演示中复现任务，验证了其在LfD中的潜力。

在实验中，交互框架的识别基于对演示数据中的速度和力进行分析。具体而言，通过最小化和解耦机械功率组件，可以确定交互框架的位置和方向。该方法能够识别出四个基本的交互类别：空闲、受限、自由运动和受限运动。每个轴线的交互类别由速度和力的大小决定，因此能够区分出不同类型的物理交互。例如，在一个盒子在平面上滑动的演示中，可以识别出一个垂直于平面的交互类别（空闲或受限），以及一个与滑动方向平行的交互类别（自由或受限）。这种方法不仅适用于单个约束条件，也适用于多个约束条件和顺序接触的情况。

在实际应用中，该方法通过简单的阈值处理来分类交互类别。通过比较速度和力的均方根（RMS）值，可以判断某个轴线是否处于空闲、受限、自由或受限状态。例如，如果某个轴线的速度和力的RMS值都低于阈值，则该轴线被归类为“空闲”；如果速度的RMS值接近零而力的RMS值较高，则该轴线被归类为“受限”；如果速度的RMS值较高而力的RMS值接近零，则该轴线被归类为“自由运动”；如果速度和力的RMS值都较高，则该轴线被归类为“受限运动”。通过这种方法，可以将复杂的物理交互分解为更简单的交互类别，并利用这些信息进行任务复现。

为了进一步提高任务复现的准确性，本文还讨论了如何通过优化交互框架的位置和方向来最小化机械功率。这涉及到对速度和力的分析，以确定它们在不同参考系中的表现。通过最小化这些组件，可以找到一个最优的参考系，使得机械功率最小化，从而更准确地识别出物理交互。这种方法可以应用于多种任务，包括但不限于点接触、平面接触和轮廓跟踪等。

此外，本文还探讨了如何通过任务分割和分类来处理顺序接触任务。任务分割是通过设置阈值来识别不同阶段的交互框架，而任务分类则是通过速度和力的均方根值来判断每个轴线的交互类别。通过这种方式，可以将复杂的任务分解为多个有意义的子任务，并在每个子任务中应用相应的控制策略。

实验结果显示，基于功率的方法在识别精度上优于基于速度和基于力的方法。在单个约束实验中，该方法能够更准确地识别出交互框架的位置和方向，从而提高任务复现的准确性。在顺序接触任务中，该方法能够处理多个交互框架，并根据不同的任务阶段应用不同的控制策略，从而提高任务执行的鲁棒性。

未来的工作可以进一步探索如何将这种方法应用于更多的任务类型，并结合其他信息，如位置和轨迹，以提高任务复现的准确性。此外，可以研究如何在多个演示数据中进行交互框架的识别，以提高模型的泛化能力。这些改进将有助于开发更加多功能和适应性强的机器人系统，使其能够更广泛地应用于各种实际任务中。