在机器人实操场景中仿真训练得到的策略部署到实体机器人时常常会出现动作偏差。仿真与现实的差距、末端未知负载、同型号机器人个体动力学差异都容易让接触类动态操作任务出现执行失败。TAMTorque Adaptation Module力矩适配模块针对这一现实问题提供了一套力矩层面的迁移适配方案。FrankaTAM提升机器人运动迁移鲁棒性实验研究TAM 项目核心思路TAM 作为独立学习模块部署在底层控制器与机器人力矩接口之间不需要改动原有任务策略。它分为历史编码器与力矩适配器两部分历史编码器读取机器人关节位置、速度、力矩的历史信息压缩得到表征动力学偏差的隐变量力矩适配器以 1kHz 的硬件控制频率输出残差力矩修正量补偿动力学带来的动作偏差。图 1TAM 部署架构。该模块的一大特点是策略无关。不管是强化学习、行为克隆生成的策略还是模型预测控制算法只要动作可以转换为名义力矩TAM 就可以完成适配。模型完全在仿真环境完成多机器人预训练和微调无需实体机器人采集真实数据降低现实部署成本。图 2TAM 的数据生成与训练流程。FrankaFR3机器人赋能TAM力矩算法验证在本项目的实验验证中Franka 机器人承担了核心的角色主要体现在以下几个方面真实世界任务验证平台。研究团队在Franka机器人上部署了多种策略包括基于视觉的强化学习推箱任务、行为克隆的翻转策略、MPC的球板平衡控制以及在未知负载下的跟踪任务。这些实验覆盖了不同的策略类型、动作空间和底层控制器TAM在所有任务中均表现出优于直接执行和在线系统辨识基线的效果。图 3典型实物实验对比结果上方为直接执行无 TAM下方为启用 TAM 后的执行效果。各列展示主实验中采用的四组 Panda 机器人实验场景强化学习箱体推送、行为克隆方块翻转、基于模型预测控制的球板平衡策略以及带附加负载的轨迹跟踪实验。运动对齐与控制器切换测试。在跟踪实验中Franka机器人从关节阻抗控制切换到操作空间控制并分别在标称条件和附加1kg末端负载条件下进行评估。TAM在全部四种设置中取得了最低的跟踪误差表明其能够在物理参数变化和底层控制器切换时改善运动对齐。跨机器人迁移的训练与评估基础。Franka是多机器人预训练所使用的五个机器人模型之一TAM的共享权重在此基础上学习并可进一步在目标机器人仿真数据上微调。Franka的实验结果也为跨机器人泛化提供了参照。项目实验效果与局限在实物测试中对比直接部署、在线系统辨识等基线方案TAM 能够提升各类任务的完成成功率减小末端轨迹跟踪误差。同时项目也客观指出适用边界需要机器人开放力矩接口机器人本体运动学结构需要与仿真模型保持匹配当外部负载超出机器人力矩硬件上限时适配效果会受到约束无法实现无条件的鲁棒性保障。总体来看TAM 提供了 “策略不变底层力矩补偿” 的新思路而以 Franka Research 3 为代表的具备开放力矩接口的力控机械臂为这类底层适配算法的验证与落地提供了合适的硬件载体。项目详情https://dongwon-son.github.io/tam-project-page