研究人员开发了一套系统，让低成本机械臂仅通过电机电流和10分钟的自由空间运动即可感知外力。该方法名为NEXT，能生成堪比专用传感器的扭矩估计，从而实现力反馈遥操作，以及一种名为FIRST的训练技术，可提升接触密集型任务的成功率。
目录
研究人员构建了什么
团队提出了FACTR 2，一个由两部分组成的系统，让通用机械臂具备力的感知能力——无需昂贵的力/力矩传感器。第一部分是NEXT（Neural External Torque estimation，神经网络外力矩估计），一种数据驱动方法，通过仅需十几分钟的运动数据学习机器人自由空间动力学，从而估计外力矩。第二部分是FIRST（Force Informed Re-Sampling Training，力引导重采样训练），一种行为克隆技术，利用NEXT的力矩信号识别并强调演示中最关键的部分：接触前和接触中的瞬间。
此前的方法要么依赖专用关节力矩传感器（仅出现在如Franka Panda这类高端机械臂上，售价3万美元），要么使用需要详细系统辨识的基于模型的状态观测器。NEXT从头学习一个神经网络，仅需10分钟自由空间轨迹和1分钟训练。FIRST随后利用估计力矩将每个演示分割为自由空间、接触前和接触阶段，并对后两个阶段进行过采样，迫使策略从通常失败发生的过渡中学习。
该方法在五个长时程、接触密集型任务上进行了验证，包括乐高组装、皮带组装、销钉插入、工具清理和螺母拧紧。该方案可推广至从2500美元的AgileX Piper到30000美元的Franka Panda等机械臂。
关键成果
一项有20名参与者的用户研究比较了Franka机械臂在五种条件下的力反馈遥操作：无反馈、状态观测器、位置-位置反馈、使用内置力矩传感器的FACTR遥操作、以及使用NEXT估计的FACTR遥操作。参与者一致评价基于NEXT的反馈更易使用，得分接近传感器版本。在低价Piper机械臂上，NEXT也优于基线反馈方法。
在策略学习方面，FIRST与多种基线进行了比较，包括标准ACT、带原始力矩输入的ACT、FACTR（视觉课程）和TA-VLA（辅助力矩目标）。在所有五个任务中，FIRST将任务进度率提高了10-25个百分点，在需要精确对齐（如NIST插入）和控制接触（如螺母拧紧）的任务中提升最大。消融研究显示，适度过采样（权重约5）效果最佳；过采样过大会使训练分布偏离自由空间运动，从而降低性能。
该方法的两个动作表示（ACT和流匹配）下均表现出一致的改进，确认收益来自数据重采样策略而非策略架构。
工作原理
NEXT通过学习机器人的自由空间逆动力学来估计外力矩。首先，由人或脚本驱动每个关节单独运动至全范围，然后执行多关节笛卡尔运动，速度变化——总共10分钟。这些数据用于训练一个紧凑的LSTM（递归神经网络），预测在自由空间中跟随指令轨迹所需的电机扭矩。部署时，实际电机扭矩（来自电机电流）减去预测的自由空间扭矩，残差即为外力矩估计。
关键点在于，学习到的模型捕获了关节摩擦、惯性和科里奥利效应，无需任何特定于机器人的物理建模。LSTM以控制频率（通常100-500 Hz）运行，并为每个关节输出扭矩估计。
FIRST随后利用NEXT的力矩信号标记每个时间步：若力矩低于低阈值，则为自由空间；若高于第二个阈值，则为接触；之间为接触前阶段。训练时，策略批次从所有阶段均匀采样，从而有效过采样较短的接触前和接触阶段。这迫使策略从策略通常失败的精确时刻学习——当夹爪与目标对齐或施加力时。
对机器人领域的重要性
力感知一直是制造业、物流和研究中使用经济型机械臂的关键缺失环节。专用力矩传感器每臂增加数千美元成本，且需要复杂的布线和校准。FACTR 2消除了这一障碍：一台2500美元的AgileX Piper现在可以像30000美元的Franka一样感知接触。
对于机器人采购商和集成商来说，这意味着钉入销钉、螺丝拧紧、卡扣装配等接触密集型任务在低成本硬件上变得可行。在Robot Overflow浏览人形机器人或二手工业机器人中，可看到能从这种纯软件力感知中受益的平台。该方法还能通过无需额外传感器投资的方式检测意外碰撞，实现更安全的人机协作。
FIRST训练技术与架构无关，可应用于任何模仿学习流程，成为许多现有机器人学习工作流程的即插即用改进。
局限性与未解问题
NEXT假设机器人动力学在自由空间数据收集和部署之间保持一致——有效载荷变化或关节磨损会降低精度。10分钟的数据收集虽然很少，但仍是一个手动步骤，可能难以扩展到机器人集群。FIRST中用于阶段分割的力矩阈值是一个超参数，可能需要对每个任务进行调整。此外，该方法仅在刚性、准静态接触下测试；高度动态任务（如锤击）或高度可变形物体（如布料）可能对基于力矩的分割构成挑战。
最后，用户研究在实验室环境中进行，参与者数量有限；长班次下的实际遥操作性能尚未测试。
常见问题
我需要特殊硬件来使用NEXT吗？ 不需要。NEXT仅使用大多数机械臂已具备的电机电流信号——无需力/力矩传感器，无需外部测量设备。
在一台新机械臂上设置NEXT需要多长时间？ 约10分钟收集自由空间轨迹，1分钟训练神经网络。运动指令可自动生成或录制一次后重放。
FIRST可以用于任何模仿学习策略吗？ 可以。作者在ACT和流匹配策略上测试了FIRST，两种情况下均提升性能。任何在顺序演示数据上训练的策略都可以采用这种重采样方法。
FACTR 2在便宜和昂贵的机械臂上都适用吗？ 适用。该方法在低价AgileX Piper（2500美元）和YAM机械臂，以及高端Franka Panda（30000美元）上均得到验证。力估计匹配专用传感器质量。
结论
FACTR 2表明，在通用机械臂上以最少数据且无需额外传感器实现精确力感知是可行的。通过结合简单的学习型力矩估计器与智能的训练重采样技术，该系统缩小了昂贵传感器化机器人与其低成本版本之间的差距。这可能加速力感知操作在现实生产线和服务机器人中的应用。
基于力的行为克隆能否在工业应用中取代传统的力/力矩传感器？