学习用力操控仍然是机器人领域的一个关键挑战。本工作介绍了ForceBand，一种低成本、可穿戴的sEMG腕带，它通过肌肉活动估计指尖力，并结合力感知策略学习方法，使机器人能够通过预测人类示范中的运动和力轨迹来执行接触密集任务。
可穿戴力传感设计
该sEMG腕带旨在准确捕获与精细手指控制相关的手腕肌肉活动。设计平衡了传感精度、低成本和可重复性，针对两个具体目标。
可及性：低成本与易制造。 ForceBand硬件通过依赖商用组件和标准原型制作流程，保持低成本且易于复制。机械结构可通过常见工具（如商用3D打印机）制造，而电子组件则模块化且来自易购部件。总成本可低至300美元（取决于供应商）。完整的物料清单已开源。
性能：肌肉感知与高精度。 该腕带通过结合肌肉感知电极布局与双极设计，采集高质量数据。这一性能得益于三个硬件选择：低噪声生物电势采集、双极差分传感和解剖学引导的电极布局。
肌肉感知sEMG腕带设计
sEMG模块设计通过三个选择优化了在手腕处记录微弱电位的效果：高质量医用生物电势测量芯片、双极电极设计和肌肉感知电极布局。
从人类示范学习力感知策略
为了将富含力信息的人类示范转化为机器人可执行的策略，本方法扩展了流匹配变换器策略，将力作为观测侧和动作侧的额外通道。流水线以同步的人类视频和估计的指尖力作为输入，将人类手部运动重定向到机器人实体，并训练流匹配策略预测运动和力轨迹。这使得机器人不仅学会移动到哪里，还学会在接触密集操控中施加多大的力。
电极布局消融实验
对于1、2和4通道设置，使用公开数据集并屏蔽未使用的通道。为了比较均匀布局与肌肉感知布局，分别收集了两个30分钟的数据集，每个布局一个。两者使用相同的协议：10个物体，2、3和5指抓取，每个物体重复5次。
增加通道数量一致地降低了力预测误差。在匹配的30分钟协议下，肌肉感知布局相比均匀8通道布局进一步改进了18%。这些结果表明，解剖学引导的布局提供了比均匀腕部覆盖更具信息量的EMG信号。
注意：左右子表使用不同数据，不应直接比较。
局限性与讨论
绝对力精度。 基于sEMG的力预测不如直接力传感精确，但其当前精度对于许多用力操控任务已足够。从人类数据学习到的力先验有助于策略理解何时以及多用力施加力，而剩余误差可通过有限的机器人交互数据或利用机器人自身力反馈的强化学习进一步减小。
跨用户泛化。 肌肉信号因人而异，因此当前流水线涉及4名用户并进行逐个校准。这一局限可通过扩大数据收集来缓解：大规模sEMG数据集已显示出强大的跨用户泛化能力，且相关的腕部sEMG控制器现在无需校准即可跨用户运行。更大的EMG2Force数据集有望减少或消除用户特定校准的需求。
校准仍需指尖力传感器。 当前校准依赖指尖力传感器作为真值，因此设置尚未完全无传感器。通过将EMG2Force扩展到更大更多样化的用户群体，或开发基于与校准物体或夹具的标准抓取交互的无传感器校准协议，可以减少这一需求。
常见问题
ForceBand设计与现有sEMG腕带相比有何不同？ ForceBand采用基于手腕解剖学的肌肉感知电极布局，结合双极差分传感设计，相比均匀电极布局，力预测误差降低了18%。
机器人如何从人类示范中学习基于力的操控？ 同时记录人类视频和估计的指尖力，然后训练流匹配变换器策略预测运动和力轨迹，使机器人能够以适当的力应用学习接触密集任务。
使用sEMG进行机器人力预测的主要局限是什么？ 绝对力精度低于直接力传感，跨用户泛化需要逐个校准，且校准过程仍依赖指尖力传感器获取真值数据。
ForceBand能否无需逐个校准即可使用？ 目前使用当前数据集还不行，但作者预计更大的EMG2Force数据集可以减少或消除用户特定校准的需求，正如相关商用腕部sEMG控制器所见。