arXiv cs.AI· Dongwon Son, Florian Shkurti, Jason Lee, Naman Shah, Beomjoon Kim, Dieter Fox·· 3 天前AI 评分31
TAM：面向操作任务鲁棒运动迁移的扭矩自适应模块
TAM: Torque Adaptation Module for Robust Motion Transfer in Manipulation
AI 导读
研究者提出扭矩自适应模块 TAM，通过在底层控制器与机器人扭矩接口之间学习残差扭矩修正，让同一策略适配不同机器人，无需对策略本身做域随机化。TAM 仅依赖本体感知历史，同一权重可复用于关节目标、末端目标或直接扭矩等不同动作空间，并采用多机器人预训练加机器人特定微调、全程无需真机数据。
正文 · AI 翻译
摘要：针对一个机器人调优的策略在另一个机器人上往往表现不同，无论是由于仿真到现实的差距、未知负载，还是同一机器人两个实例的动力学差异。在接触丰富的动态操作中，即使很小的运动偏差也可能导致无法跟踪参考运动，因为它们会破坏接触的时序和模式。常见的补救措施，如域随机化或系统辨识，要么产生过于保守的任务策略，要么需要为每个机器人或负载重新采集数据。我们提出了力矩自适应模块（TAM），一个学习到的模块，用于调整发送给机器人的力矩命令，以匹配理想机器人的行为。TAM 运行在跟踪策略动作的低层控制器与机器人力矩接口之间。它包含一个历史编码器，将本体感受历史嵌入潜在状态，以及一个力矩适配器，计算残差力矩修正。由于 TAM 仅依赖本体感受历史，而不依赖策略观测或动作空间，相同的 TAM 权重可以复用于适配具有不同动作空间（关节目标、末端执行器目标或直接力矩）的策略。策略本身无需使用机器人参数的域随机化进行训练。相反，我们通过完全在随机化仿真中训练 TAM，将域随机化的需求卸载给 TAM，采用多机器人预训练，随后进行仍不需要真实机器人数据的机器人特定微调步骤。我们在真实 Franka Panda 机器人上对 TAM 进行了零样本评估，涵盖动态操作任务，包括基于视觉的推箱策略（来自 RL）、翻转策略（来自 BC）以及 MPC 板球平衡。我们的实验表明，与在线系统辨识和 RMA 基线相比，TAM 改善了零样本真实机器人执行，并实现了鲁棒的动态操作性能。
| 评论： | 被 CoRL 2026 接收。项目网站：此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.06218 [cs.RO] |
| （或 arXiv:2606.06218v3 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.06218 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dongwon Son [查看电子邮件]
[v1]
2026年6月4日星期四 14:31:54 UTC（5,791 KB）
[v2]
2026年9月5日星期六 02:06:18 UTC（6,704 KB）
[v3]
2026年10月12日星期一 12:56:11 UTC（6,706 KB）
来源：arXiv cs.AI · arxiv.org