Adaptive Motion Planning via Contact-Based Intent Inference for Human-Robot Collaboration

📄 arXiv: 2510.08811v1 📥 PDF

作者: Jiurun Song, Xiao Liang, Minghui Zheng

分类: cs.RO

发布日期: 2025-10-09

💡 一句话要点

提出基于接触意图推断的自适应运动规划，用于人机协作。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人机协作 自适应运动规划 接触力估计 意图推断 物理人机交互

📋 核心要点

  1. 现有的人机协作方法依赖连续动觉引导，操作负担重；大型语言模型难以直接应用于可靠的运动规划。
  2. 该论文提出一种基于接触信息的自适应运动规划框架，通过接触力估计和在线运动校正实现人机协作。
  3. 实验表明，该方法能够准确估计接触力，并有效适应人机协作中感知不确定性下的运动规划。

📝 摘要（中文）

人机协作(HRC)要求机器人调整其运动以适应人类意图，从而确保在共享空间中的安全高效协作。尽管大型语言模型(LLM)为推断人类意图提供了高层次的推理能力，但将其应用于HRC中可靠的运动规划仍然具有挑战性。物理人机交互(pHRI)是直观的，但通常依赖于连续的动觉引导，这给操作员带来了负担。为了应对这些挑战，本文提出了一种基于接触信息的自适应运动规划框架，该框架直接从物理接触中推断人类意图，并将推断出的意图用于HRC中的在线运动校正。首先，提出了一种基于优化的力估计方法，从关节扭矩测量和机器人动力学模型中推断人类意图的接触力和位置，从而降低了成本和安装复杂性，同时实现了全身灵敏度。然后，引入了一种基于扭矩的接触检测机制，具有连杆级定位功能，以减少优化搜索空间并实现实时估计。随后，开发了一种基于接触信息的自适应运动规划器，以从接触中推断人类意图并在线重新规划机器人运动，同时保持平滑性并适应人类的校正。最后，在7自由度机械臂上进行了实验，证明了所提出的力估计方法的准确性以及在HRC中感知不确定性下基于接触信息的自适应运动规划器的有效性。

🔬 方法详解

问题定义：现有的人机协作方法，如依赖连续动觉引导的pHRI，给操作者带来负担。而直接使用大型语言模型进行运动规划，在可靠性方面存在挑战。因此，需要一种能够从物理接触中直接推断人类意图，并实时调整机器人运动的方案。

核心思路：该论文的核心思路是通过机器人与人之间的物理接触来推断人的意图，并利用这些信息在线调整机器人的运动轨迹。这种方法避免了对连续动觉引导的依赖，并提供了一种更直观和适应性更强的人机协作方式。

技术框架：该框架主要包含三个模块：1) 基于优化的力估计模块，用于从关节扭矩测量中推断人类意图的接触力和位置；2) 基于扭矩的接触检测模块，用于减少力估计的搜索空间并实现实时估计；3) 基于接触信息的自适应运动规划器，用于从接触中推断人类意图并在线重新规划机器人运动。

关键创新：该论文的关键创新在于提出了一种基于接触信息的自适应运动规划方法，该方法能够直接从物理接触中推断人类意图，并实时调整机器人的运动轨迹。此外，提出的基于优化的力估计方法和基于扭矩的接触检测机制，降低了成本和安装复杂性，并实现了实时估计。

关键设计：力估计模块采用优化方法，目标函数可能包含关节扭矩预测误差、接触力大小的正则化项等。接触检测模块可能设置扭矩阈值，超过阈值则认为发生接触。自适应运动规划器可能采用RRT*等算法，并根据接触力信息调整采样策略或目标函数。

📊 实验亮点

实验结果表明，所提出的力估计方法能够准确地估计接触力和位置。在7自由度机械臂上进行的实验验证了该自适应运动规划器在感知不确定性下人机协作的有效性。具体的性能数据（如力估计误差、运动规划时间等）在摘要中未提及，属于未知信息。

🎯 应用场景

该研究成果可应用于多种人机协作场景，如工业装配、医疗康复、家庭服务等。通过使机器人能够理解并响应人类的意图，可以提高协作效率、降低操作难度，并增强安全性。未来，该技术有望促进更自然、更智能的人机交互。

📄 摘要（原文）

Human-robot collaboration (HRC) requires robots to adapt their motions to human intent to ensure safe and efficient cooperation in shared spaces. Although large language models (LLMs) provide high-level reasoning for inferring human intent, their application to reliable motion planning in HRC remains challenging. Physical human-robot interaction (pHRI) is intuitive but often relies on continuous kinesthetic guidance, which imposes burdens on operators. To address these challenges, a contact-informed adaptive motion-planning framework is introduced to infer human intent directly from physical contact and employ the inferred intent for online motion correction in HRC. First, an optimization-based force estimation method is proposed to infer human-intended contact forces and locations from joint torque measurements and a robot dynamics model, thereby reducing cost and installation complexity while enabling whole-body sensitivity. Then, a torque-based contact detection mechanism with link-level localization is introduced to reduce the optimization search space and to enable real-time estimation. Subsequently, a contact-informed adaptive motion planner is developed to infer human intent from contacts and to replan robot motion online, while maintaining smoothness and adapting to human corrections. Finally, experiments on a 7-DOF manipulator are conducted to demonstrate the accuracy of the proposed force estimation method and the effectiveness of the contact-informed adaptive motion planner under perception uncertainty in HRC.