NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception

作者: Zhiyang Dou, John U. Onyemelukwe, Hangxing Zhang, Heng Zhang, Minghao Guo, Yunsheng Tian, Michal Piotr Lipiec, Joshua Jacob, Chao Liu, Peter Yichen Chen, Yuri Ivanov, Wojciech Matusik · RSS 2026

授權條款

• 開放取用
• 論文: CC BY 4.0

以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。

一句話摘要

一個用於低成本伺服機手臂的 Transformer 致動器模型，透過可微分 MuJoCo 從姿態資料訓練，不需力感測器就能估測末端執行器受力，並改善具力感知的模仿學習。

為何重要

它讓低成本手臂在推論時不需要力/力矩感測器，就能取得可用的力訊號，GPU 推論時間不到一毫秒，高於 60 Hz 的控制頻率。這個訊號提高了負載任務中行為複製的成功率，而且模型只需 12 條軌跡、約六分鐘，就能在新的機台上重新校正。

問題

低成本伺服機手臂使用具減速齒輪的有刷 DC 致動器，其中的摩擦、遲滯、背隙與熱漂移會破壞線性的電流對扭矩假設。這會損及模擬、力矩追蹤，以及任何以馬達電流為基礎的力估測。過去的學習式致動器模型需要來自關節扭矩感測器或經校正電流的扭矩標籤，而這些平台無法可靠地提供。

提出的方法

NeuralActuator 是一個四層的 Transformer，讀取九個影格的指令、關節狀態與致動器遙測資料（電流或負載、電壓、溫度），輸出扭矩替代量、原始的 3D 末端執行器力、接觸機率閘門，以及每顆馬達的狀態分數。扭矩輸出頭的訓練方式是讓它在可微分的 MuJoCo/MJX 模擬器中推進並比對量測到的姿態，因此不需要扭矩標籤；力、閘門與狀態輸出頭則直接以新的神經致動資料集中的標籤訓練，此資料集是以一對主從式 OpenManipulator-X 手臂與一個六軸力/力矩感測器記錄而成。

關鍵見解

• 在具減速齒輪的低成本伺服機上，線性的電流對扭矩對應可能完全失效：在 OpenManipulator-X 上逐關節擬合 Kt 時，有兩個關節在截斷前得到負斜率
• 在沒有扭矩標籤時，讓姿態軌跡在可微分模擬器中推進，就足以監督扭矩替代量
• 將力回歸與接觸機率閘門分開，能讓沒有接觸時的預測力維持在接近零，而傳統觀測器在這種情況下會誤報接觸
• 在這些伺服機上，固定的參數化摩擦模型（Stribeck、背隙）相較線性模型幾乎沒有改善；以歷史為條件的網路能捕捉主要的非線性
• 將預測的力作為額外輸入，可以改善負載操作的模仿學習策略

主要結果

• 100 步時的負載基準：力 MAE 為 0.12 N，最佳傳統基準方法（廣義動量觀測器）為 0.66 N，ID-Friction 為 1.23 N，ID-Linear 為 1.41 N；在無接觸狀態下，傳統方法出現 33-59% 的接觸誤報
• 力最高達 9 N 的六軸感測器基準：100 步時力 MAE 為 0.36-0.39 N，500 步時為 0.38-0.57 N；在無接觸參考上的預測值為 0.00-0.02 N
• 40 次試驗的行為複製：加入 NeuralActuator 的力輸入後，夾取放置的成功率從 80% 提高到 92.5%，go-up-and-stay 從 85% 提高到 95%
• 馬達狀態偵測（以橡皮筋限制的關節 3）：準確率 91.0%、召回率 96.2%、AUC-ROC 0.95，最佳的人工特徵基準方法（隨機森林）則為準確率 67.1%、AUC-ROC 0.72
• 執行效能：1.44M 參數，GPU 平均推論時間 0.25 ms，批次大小為 1 時吞吐量為 4,019 Hz
• 跨平台：Franka Panda 在 200-600 g 負載下的離線力 MAE 為 0.26-0.42 N；SO-101 在 500 步時的力 MAE 為 0.47-0.73 N；以 12 條軌跡（356 s）進行線上適應，使追蹤誤差降低約 44%

限制

• 以記錄的遙測資料為條件的長時域推進會累積誤差，最終降低追蹤精度（作者以少量軌跡的線上適應來減輕此問題）
• 扭矩替代量是與模擬器等效的量，而非實際量測的致動器扭矩：當前向模型中缺少接觸或負載時，它可能會吸收這些效應以及其他模型不匹配
• 線上推論需要即時的致動器遙測資料，且模型無法推進尚未執行的候選指令，因此若沒有額外的力響應模型，就無法用於 MPC 等反事實規劃
• 力輸出頭只估測末端執行器上的單一 3D 合力：無法定位多點接觸、無法提供完整的力旋量，且訓練需要明確的力標籤
• 約 50 g（約 0.5 N）以下的負載接近低成本平台的雜訊底限；Franka 的結果是離線基準，以未來狀態作為指令訊號的代理

對領域的影響

榮獲 RSS 2026 紀念 Seth Teller 傑出系統論文獎，並入圍 RSS 2026 傑出論文獎決選；目前已被引用 5 次。作者釋出了神經致動資料集（Neural Actuation Dataset），並列出專案頁面與程式碼儲存庫。

摘要

可微分模擬器推動了策略學習與以模型為基礎之控制的進展，但致動器動態仍是模擬到現實誤差的重要來源。這在低成本平台上特別嚴重：在追蹤指令目標的過程中，由於摩擦、遲滯、背隙與熱效應，線性的電流對扭矩關係 τ = K_t·I 會變得不可靠。我們提出 NeuralActuator，一種神經致動器模型，可同時預測：(i) 與模擬器等效的廣義力替代量，用於低成本伺服機平台上的軌跡推進；(ii) 帶有接觸機率閘門的外力，用於無感測器的力感知；(iii) 受監控關節的馬達狀態分數。我們也推出神經致動資料集（Neural Actuation Dataset, NAD），以雙臂遠端操作系統收集，記錄機器人狀態與致動器遙測資料，並附有外力標籤。扭矩替代量輸出頭透過可微分模擬，從姿態軌跡中訓練，不需要直接的廣義力標籤；力、閘門與馬達狀態輸出頭則接受直接監督。Transformer 能捕捉時間相依性，同時支援即時推論。我們在 5-DoF OpenManipulator-X、6-DoF SO-101 與 7-DoF Franka Emika Panda 上評估 NeuralActuator，涵蓋三個致動器系列，平台價格從約 USD 500 到超過 USD 30,000。低成本平台用於動態與力的評估，而離線的 Franka 實驗則提供額外的負載力估測基準。實驗也進一步展示其在 OpenManipulator-X 上用於馬達狀態估測的應用，以及將 NeuralActuator 作為預訓練模組時行為複製表現的提升。

連結

• arXiv 2607.11734: https://arxiv.org/abs/2607.11734
• DOI 10.15607/rss.2026.xxii.159: https://doi.org/10.15607/rss.2026.xxii.159
• PDF: https://arxiv.org/pdf/2607.11734v1
• 程式碼: https://github.com/Frank-ZY-Dou/Dynamics-Modeling/tree/main/NeuralActuator
• 專案頁面: https://frank-zy-dou.github.io/projects/NeuralActuator/index.html