[Force Policy] 突破接触操作瓶颈：像人类一样感知视觉与力的平衡

TL;DR

在机器人挑战接触密集型任务（如插拔充电头、撕除顽固标签）时，传统端到端策略往往在“泛化能力”和“力控精度”之间顾此失彼。上海交大与 Flexiv 团队联合推出的 Force Policy 提出了一个巧妙的解方案：仿照人类的分工，让视觉（低频）管“去哪里”，让力觉（高频）管“怎么摸”。通过引入显式的物理 Interaction Frame (IF)，该方法在保持强大泛化性的同时，实现了极其稳定的力位混合控制。

1. 痛点：为什么端到端力觉策略总是不够稳？

在工业级或家庭场景中，接触密集型操作 (Contact-rich Manipulation) 极难。

• 模态冲突：力信号充满噪声。如果直接拼接到 Vision Transformer 中，这些高频抖动往往会带偏长程视觉规划。
• 逻辑耦合：现有的 SOTA 方法（如 RDP）往往让快慢策略强耦合，一旦视觉端预测稍有偏差，快速反馈环节就会因为超出分布 (OOD) 而产生灾难性抖动。
• 结构缺失：机器人不知道自己在“摸什么”。如果没有一个物理坐标系，机器人很难区分什么是“摩擦力”，什么是“几何约束”。

2. 核心技术：回归物理本质的 Interaction Frame (IF)

本文最深刻的 Insight 在于对 Interaction Frame (IF) 的重新定义。作者不再依赖已知的 CAD 模型，而是从能量消耗的角度出发：

• 耗散残差 (Dissipative Residual)：源于摩擦或粘性损耗。
• 结构残差 (Structural Residual)：源于环境刚度。

通过 Gemini 3 Pro 识别任务阶段，模型能自适应地从演示数据中恢复出当前的交互轴。例如，在撕标签任务中，$z$ 轴对齐法向量，而 $x$ 轴自动对齐运动方向。

图 1：Force Policy 架构 - 全局视觉指导与局部力反馈执行的二重奏

3. 架构解析：双速率异步调度器 (Dual-Policy Scheduler)

Force Policy 由两部分组成：

1. Π_global (低频视觉策略)：基于 RISE-2，利用 3D 点云提供全局语义和几何特征 $\varphi (I_{t^{\prime }})$。
2. Π_local (高频力策略)：这是一个 50Hz 的快速循环。它根据全局特征调整预测的 选择掩码 (Selection Mask)，决定哪些维度由位置控制，哪些维度由力控制（Hybrid Force-Position Control）。

为了解决切换时的“震荡”问题，作者引入了 动态时间规整 (DTW) 算法。它能自动对齐预测轨迹和已执行的历史轨迹，丢弃掉那些因为延迟导致的“陈旧”点位，确保平顺过渡。

4. 实验战绩：极致的力控表现

在名为 “Push and Flip” 和 “Plug in EV Charger” 的高难度任务中，Force Policy 展示了统治级的表现。

• 精准调控：在翻转重物时，Force Policy 能够完美复刻演示中的 15N 作用力，而基线模型要么推得太猛导致失败，要么力太小翻不过去。
• 泛化之王：面对从未见过的紫色方块、软海绵或者不规则的圆柱体，Force Policy 凭借视觉端的通用性和力觉端的适应性，成功率远超 ForceVLA。

图 2：在撕标签任务中，Force Policy（红色）的力曲线与人类演示（灰色）高度重合

5. 总结与洞察 (Takeaway)

Force Policy 的成功不仅在于网络结构的精巧，更在于对 经典控制理论 (Hybrid Force-Position Control) 的尊重与重塑。

• 模块化设计的胜利：通过解耦快慢策略，开发者可以独立升级视觉主干网络（如换成更强的 VLA 模型），而不必担心破坏底层的力控逻辑。
• 零样本泛化的启示：局部策略不关心物体的长相，只关心“摸起来是什么感觉”。这种对物理接触属性的建模，是机器人走向非结构化环境的关键。

局限性：目前该系统尚不支持复杂的切削等破坏性任务。未来的方向可能包括将接触点估计 (Contact Point Estimation) 纳入其中，以支持更精细的扭矩控制。

本文是对 arXiv 最新论文《Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation》的深度解读。