CDF-Glove: A Cable-Driven Force Feedback Glove for Dexterous Teleoperation

📄 arXiv: 2603.05804v1 📥 PDF

作者: Huayue Liang, Ruochong Li, Yaodong Yang, Long Zeng, Yuanpei Chen, Xueqian Wang

分类: cs.RO

发布日期: 2026-03-06

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出低成本、轻量化的力反馈手套CDF-Glove，提升灵巧遥操作的模仿学习效果

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 力反馈手套 灵巧遥操作 模仿学习 线缆驱动 机器人控制

📋 核心要点

  1. 灵巧操作的模仿学习依赖高质量的遥操作示教，而现有平台缺乏触觉反馈，且成本高昂。
  2. CDF-Glove通过线缆驱动提供力反馈，实现轻量化和低成本，提升操作者对环境的感知。
  3. 实验表明，CDF-Glove能显著提高任务成功率和效率，并开源代码和设计。

📝 摘要（中文）

本文提出了一种低成本、轻量化的力反馈手套CDF-Glove，用于提升灵巧遥操作中的模仿学习效果。高质量的遥操作示教是灵巧操作中模仿学习的主要瓶颈。触觉反馈为操作者提供实时的接触信息，从而能够实时调整手指姿势，提高示教质量。现有的灵巧遥操作平台通常忽略触觉反馈，且体积庞大、成本高昂。CDF-Glove实时提供20个手指自由度的状态，其中16个自由度直接感知，4个自由度被动耦合（从运动学约束推断）。我们为手套开发了运动学模型和控制堆栈，并在具有不同运动学和自由度的多个机械手上验证了它们。CDF-Glove实现了0.4度的远端关节重复性，并提供约200毫秒的力反馈延迟，相对于无反馈遥操作，任务成功率提高了4倍。我们收集了两个双手遥操作数据集，并在其上训练和评估了扩散策略基线。与动觉示教相比，在我们的遥操作示教中训练的策略平均成功率提高了55%，平均完成时间减少了约15.2秒（相对减少47.2%）。CDF-Glove的成本约为230美元。代码和设计以开源形式发布。

🔬 方法详解

问题定义：灵巧操作的模仿学习需要高质量的示教数据，但现有的遥操作平台通常缺乏触觉反馈，导致操作者难以精确感知环境，示教质量不高。此外，现有设备往往体积庞大、价格昂贵，限制了其应用范围。

核心思路：本文的核心思路是设计一种低成本、轻量化的力反馈手套，通过线缆驱动的方式为操作者提供触觉反馈，从而提高遥操作的精度和效率。这种设计旨在解决现有设备缺乏触觉反馈和成本高昂的问题。

技术框架：CDF-Glove系统主要包括以下几个模块：1) 手套本体：包含传感器和线缆驱动机构，用于感知手指运动和施加力反馈；2) 运动学模型：用于描述手套的运动学关系，实现手指姿态的精确控制；3) 控制堆栈：包括力反馈控制算法，用于根据环境反馈调节线缆的拉力，实现力反馈效果；4) 数据采集与处理：用于采集手指运动数据和力反馈数据，并进行处理和分析。

关键创新：该论文的关键创新在于：1) 提出了一种基于线缆驱动的力反馈手套设计，实现了轻量化和低成本；2) 开发了精确的运动学模型和控制堆栈，实现了高精度的手指姿态控制和力反馈效果；3) 通过实验验证了该手套在灵巧遥操作中的有效性，并开源了代码和设计。

关键设计：CDF-Glove的关键设计包括：1) 采用线缆驱动方式，降低了手套的重量和成本；2) 使用高精度传感器感知手指运动，保证了姿态控制的精度；3) 设计了合理的线缆布局和驱动机构，实现了平滑的力反馈效果；4) 运动学模型考虑了手指的运动学约束，提高了姿态估计的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CDF-Glove实现了0.4度的远端关节重复性，并提供约200毫秒的力反馈延迟。相对于无反馈遥操作，任务成功率提高了4倍。与动觉示教相比，在CDF-Glove遥操作示教中训练的策略平均成功率提高了55%，平均完成时间减少了约15.2秒（相对减少47.2%）。

🎯 应用场景

CDF-Glove可应用于远程机器人操作、虚拟现实交互、医疗康复等领域。在远程机器人操作中，操作者可以通过手套精确控制机器人完成复杂任务。在虚拟现实交互中，用户可以获得更真实的触觉体验。在医疗康复领域，手套可用于辅助患者进行手部功能康复训练，具有广泛的应用前景和实际价值。

📄 摘要（原文）

High-quality teleoperated demonstrations are a primary bottleneck for imitation learning (IL) in dexterous manipulation. However, haptic feedback provides operators with real-time contact information, enabling real-time finger posture adjustments, and thereby improving demonstration quality. Existing dexterous teleoperation platforms typically omit haptic feedback and remain bulky and expensive. We introduce CDF-Glove, a lightweight and low cost cable-driven force-feedback glove. The real-time state is available for 20 finger degrees of freedom (DoF), of which 16 are directly sensed and 4 are passively coupled (inferred from kinematic constraints). We develop a kinematic model and control stack for the glove, and validate them across multiple robotic hands with diverse kinematics and DoF. The CDF-Glove achieves distal joint repeatability of 0.4 degrees, and delivers about 200 ms force feedback latency, yielding a 4x improvement in task success rate relative to no-feedback teleoperation. We collect two bimanual teleoperation datasets, on which we train and evaluate Diffusion Policy baselines. Compared to kinesthetic teaching, the policies trained in our teleoperated demonstrations increase the average success rate by 55% and reduce the mean completion time by approximately 15.2 seconds (a 47.2% relative reduction). In particular, the CDF-Glove costs approximately US$230. The code and designs are released as open source at https://cdfglove.github.io/.