核心发现
方法论
该研究提出了一种无需力传感器的合规控制方法，利用现代伺服电机和准直接驱动电机的电流或电压信号来估计外部力矩。通过任务空间的导纳控制器，将估计的外部力矩整合到控制系统中，实现稳定和响应迅速的合规控制。此方法与多种高层规划器兼容，且无需复杂的学习过程。
关键结果
- 实验表明，在多种接触丰富的任务中，该方法在位置误差和方向误差上均优于现有基线方法，位置误差减少至15.9±5.1毫米，方向误差减少至0.048±0.043弧度。
- 在没有力传感器的情况下，外部力估计的平均绝对误差为0.69±0.73牛顿，证明了方法的精确性。
- 在多种机器人平台上验证了方法的通用性，包括机械臂、灵巧手和类人机器人。
研究意义
该研究为合规控制的应用提供了一种低成本、高效的解决方案，克服了传统方法对昂贵硬件的依赖。通过使用电机电流信号进行外部力估计，简化了系统复杂性，同时保持了足够的测量精度。这种方法的推广将有助于在工业和服务机器人领域实现更安全的物理交互。
技术贡献
技术贡献包括提出了一种基于电机电流信号的外部力矩估计方法，能够在没有力传感器的情况下实现合规控制。此外，该方法适用于多种机器人形态，且与多种高层规划策略兼容，极大地提高了系统的灵活性和适应性。
新颖性
该方法首次实现了在没有力传感器的情况下，通过电机电流信号进行外部力估计，并将其应用于任务空间导纳控制。这种创新性在于其极大地降低了合规控制的硬件要求，同时保持了系统的响应性和稳定性。
局限性
- 在高动态任务中，假设的准静态交互可能不适用，影响控制精度。
- 对电机参数的校准要求较高，可能影响方法的普适性。
未来方向
未来研究方向包括优化电机参数的自动校准方法，提高在高动态任务中的性能，以及扩展该方法在更多复杂任务中的应用。
AI 总览摘要
合规控制在机器人安全物理交互中至关重要，但传统方法依赖昂贵的力/力矩传感器，限制了其广泛应用。近年来，强化学习方法试图绕过这些硬件限制，但往往面临仿真到现实的差距，缺乏安全保证，且增加了系统复杂性。
本研究提出了一种名为Minimalist Compliance Control的创新方法，通过利用现代伺服电机和准直接驱动电机的电流或电压信号，实现了无需力传感器的合规控制。该方法通过估计外部力矩并将其整合到任务空间导纳控制器中，保持了足够的力测量精度，实现了稳定和响应迅速的合规控制。
实验验证了该方法在多种机器人平台上的有效性，包括机械臂、灵巧手和类人机器人。结果显示，该方法在多种接触丰富的任务中表现出色，能够实现稳健、安全的合规交互。这一研究为合规控制的应用提供了一种低成本、高效的解决方案，具有重要的学术和工业意义。未来的研究将进一步优化电机参数的自动校准方法，并扩展该方法在更多复杂任务中的应用。
深度分析
研究背景
合规控制是机器人安全物理交互的关键技术，通常依赖于昂贵的力/力矩传感器。然而，这些传感器的高成本和复杂性限制了其在许多机器人平台上的应用。近年来，研究者们尝试使用强化学习等方法来替代传统传感器，但这些方法往往面临仿真到现实的差距，缺乏安全保证，且增加了系统的复杂性。
核心问题
传统合规控制方法依赖于昂贵的硬件，如力/力矩传感器，这限制了其在广泛机器人平台上的应用。此外，强化学习方法虽然可以绕过这些硬件限制，但往往面临仿真到现实的差距，缺乏安全保证，且增加了系统复杂性。
核心创新
该研究提出了一种无需力传感器的合规控制方法，利用现代伺服电机和准直接驱动电机的电流或电压信号来估计外部力矩。通过任务空间的导纳控制器，将估计的外部力矩整合到控制系统中，实现稳定和响应迅速的合规控制。此方法与多种高层规划器兼容，且无需复杂的学习过程。
方法详解
- �� 利用电机电流信号估计外部力矩，避免使用昂贵的力传感器。
- �� 通过任务空间导纳控制器整合估计的外部力矩，实现稳定的合规控制。
- �� 方法适用于多种机器人形态，并与多种高层规划策略兼容。
- �� 进行电机参数的校准以提高估计精度。
实验设计
实验在多种机器人平台上进行，包括机械臂、灵巧手和类人机器人。通过多种接触丰富的任务验证方法的有效性，如擦拭、绘画、舀取和手内操作。实验中对比了传统基线方法，评估了位置误差、方向误差和接触力估计的精度。
结果分析
实验结果显示，该方法在位置误差和方向误差上均优于现有基线方法，位置误差减少至15.9±5.1毫米，方向误差减少至0.048±0.043弧度。在没有力传感器的情况下，外部力估计的平均绝对误差为0.69±0.73牛顿，证明了方法的精确性。
应用场景
该方法可直接应用于需要合规控制的机器人任务，如工业自动化中的装配任务、服务机器人中的物体操控任务等。其低成本和高效性使其在这些领域具有广泛的应用潜力。
局限与展望
该方法在高动态任务中的表现可能受限于假设的准静态交互。此外，对电机参数的校准要求较高，可能影响方法的普适性。未来研究可通过优化电机参数的自动校准方法来提高性能。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。传统的合规控制就像需要一个昂贵的厨师来告诉你每个步骤该怎么做，而Minimalist Compliance Control就像是一个聪明的助手，只需通过观察你使用的工具，就能帮你调整力度，确保食材不会被弄坏。这个助手不需要昂贵的设备，只需观察电流的变化，就能判断你是否用力过大或过小。这样，你可以更轻松地完成任务，而不需要担心损坏工具或食材。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，控制一个机器人去完成任务。传统方法就像需要一个超级昂贵的游戏手柄才能控制机器人，而Minimalist Compliance Control就像是一个智能的游戏助手，只需通过观察手柄的电流变化，就能帮你调整力度，确保机器人不会撞坏东西。这样，你就可以更轻松地完成任务，而不需要担心损坏游戏设备。
术语表
Minimalist Compliance Control (极简合规控制)
一种无需力传感器的合规控制方法，通过电机电流信号估计外部力矩。
用于实现稳定和响应迅速的合规控制。
Task-space Admittance Control (任务空间导纳控制)
一种控制策略，通过估计的外部力矩调整任务空间的运动参考。
用于整合外部力矩估计，实现合规控制。
Quasi-direct-drive Motors (准直接驱动电机)
一种现代电机设计，具有高带宽电流控制回路。
用于估计外部力矩。
Reinforcement Learning (强化学习)
一种机器学习方法，通过奖励机制学习控制策略。
用于替代传统合规控制方法。
Sim-to-real Gap (仿真到现实差距)
指在仿真环境中训练的模型在现实环境中表现不佳的现象。
强化学习方法的主要挑战。
开放问题 这项研究留下的未解疑问
- 1 如何在高动态任务中提高合规控制的精度？现有方法假设准静态交互，可能不适用于动态任务。
- 2 如何自动校准电机参数以提高外部力矩估计的精度？当前方法依赖手动校准。
应用场景
近期应用
工业自动化
在装配任务中应用合规控制，降低硬件成本，提高任务完成的安全性和效率。
远期愿景
服务机器人
在家庭和医疗服务中应用，帮助机器人更安全地与人类和环境互动。
原文摘要
Compliance control is essential for safe physical interaction, yet its adoption is limited by hardware requirements such as force torque sensors. While recent reinforcement learning approaches aim to bypass these constraints, they often suffer from sim-to-real gaps, lack safety guarantees, and add system complexity. We propose Minimalist Compliance Control, which enables compliant behavior using only motor current or voltage signals readily available in modern servos and quasi-direct-drive motors, without force sensors, current control, or learning. External wrenches are estimated from actuator signals and Jacobians and incorporated into a task-space admittance controller, preserving sufficient force measurement accuracy for stable and responsive compliance control. Our method is embodiment-agnostic and plug-and-play with diverse high-level planners. We validate our approach on a robot arm, a dexterous hand, and two humanoid robots across multiple contact-rich tasks, using vision-language models, imitation learning, and model-based planning. The results demonstrate robust, safe, and compliant interaction across embodiments and planning paradigms.