Kinematic-Tactile Aligned Dexterous Retargeting with Contact Wrench Space Alignment
作者: Xinyuan He, Ziheng Xu, Yueyuan Chen, Yufan Ye, Yuanshuo Tan, Huiming Pan, Jianjun Meng, Shuo Jiang, Peter B. Shull
分类: cs.RO
发布日期: 2026-10-29
备注: 8 pages
💡 一句话要点
提出一种层次化框架以解决人机触觉信息转移问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting)
关键词: 灵巧操作 触觉对齐 人机交互 机器人学习 运动学重定向 接触扭矩空间 物理交互 层次化框架
📋 核心要点
- 现有的重定向方法主要关注运动学信息的转移，忽视了触觉信息的保留，导致物理交互的有效性降低。
- 本文提出了一种层次化的三阶段框架，通过物体中心的接触扭矩空间实现人类与机器人手部的触觉对齐。
- 在真实机器人实验中，该方法实现了96.7%的重放成功率，并在扭矩传递保真度上优于现有基线方法。
📝 摘要（中文）
人类示范为学习灵巧操作策略提供了自然且可扩展的数据来源。然而，现有的重定向方法主要转移人类的运动学信息，而在不同体现之间很少保留物理交互的触觉信息。为了解决这一局限性，本文提出了一种层次化的三阶段框架，用于运动学-触觉对齐的灵巧重定向。该框架首先对手部运动学和接触几何进行对齐，然后从触觉力和接触几何构建人类的扭矩支持轮廓。随后优化机器人指尖的力目标，以覆盖人类的扭矩支持，并转换为关节位置修正，最终生成可直接重放的机器人手部轨迹。实验结果表明，该方法在真实机器人实验中实现了96.7%的重放成功率，且在扭矩传递保真度上优于代表性重定向基线。
🔬 方法详解
问题定义：本文旨在解决现有灵巧重定向方法中触觉信息转移不足的问题。现有方法主要关注运动学的转移，导致机器人在执行任务时缺乏必要的触觉反馈，影响操作的准确性和有效性。
核心思路：本文提出的解决方案是通过层次化的三阶段框架，结合运动学与触觉信息的对齐，确保机器人能够有效地重现人类的操作策略。该框架利用物体中心的接触扭矩空间作为触觉对齐的物理表示，增强了人机交互的自然性。
技术框架：整体框架分为三个主要阶段：首先对手部运动学和接触几何进行对齐；其次构建人类的扭矩支持轮廓；最后优化机器人指尖的力目标并转换为关节位置修正，以生成可重放的手部轨迹。
关键创新：本研究的主要创新在于引入了接触扭矩空间作为触觉对齐的基础，突破了传统方法仅关注运动学的局限，使得触觉信息能够在不同的机器人手部之间有效转移。
关键设计：在框架中，关键设计包括接触几何的精确建模、扭矩支持轮廓的构建方法以及力目标的优化策略。这些设计确保了机器人能够在执行任务时，准确地模拟人类的触觉反馈。
🖼️ 关键图片
📊 实验亮点
在真实机器人实验中，本文方法实现了96.7%的重放成功率，显著高于现有的重定向基线，且在扭矩传递保真度方面表现优异。这表明该框架在实际应用中具有良好的可行性和有效性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在需要精细操作的领域，如服务机器人、医疗机器人和工业自动化等。通过有效转移人类的触觉信息，机器人能够更好地适应复杂的物理环境，提高操作的灵活性和准确性。未来，该框架可能为机器人学习触觉丰富的灵巧操作提供新的路径，推动人机协作的发展。
📄 摘要（原文）
Human demonstrations provide a natural and scalable source of data for learning dexterous manipulation policies. However, existing retargeting methods primarily transfer human kinematics, while the tactile information underlying physical interaction is rarely preserved across embodiments. To address this limitation, we present a hierarchical three-stage framework for kinematic-tactile aligned dexterous retargeting. We use object-centric contact wrench space as a physical representation for tactile alignment between human and robot hands. The framework first aligns hand kinematics and contact geometry, and then constructs a human wrench support profile from tactile forces and contact geometry. Robot fingertip force targets are subsequently optimized to cover the human wrench support and converted into joint position corrections, yielding directly replayable robot hand trajectories. We evaluate the framework in simulation and real robot experiments across three pouring conditions. In the real robot experiments, our method achieves a 96.7\% replay success rate and higher wrench transfer fidelity than representative retargeting baselines. The framework enables physically grounded transfer of kinematic and tactile information from human demonstrations to robot hands, providing a path toward scalable learning of contact-rich dexterous manipulation.