Contact mode

• 又称: contact state
• 类别: Planning & manipulation › Manipulation
• 标签: contact, manipulation, hybrid-dynamics, friction, planning

一个离散标签，说明机器人与物体系统中哪些接触处于激活状态，以及每个接触是粘滞还是滑动；每个标签对应一组不同的光滑动力学。

定义

在带摩擦接触的系统中，每个潜在接触都可能处于几种状态之一：分离，没有力；粘滞，处于接触中且没有相对切向运动；或滑动，处于接触中并沿切向运动，摩擦力位于摩擦锥边界上且与运动方向相反。接触模式（Contact mode）为系统中的每个接触指定其中一种状态。在固定的模式内，运动方程是光滑的，因为起作用的约束和摩擦力的形式是已知的。在模式之间的边界上，动力学会突然改变。因此接触动力学是混合的：由守卫面隔开的光滑模式，例如接触间隙减小到零，或者粘滞接触的切向力达到摩擦极限。

模式的数量随接触数量呈指数增长。对于 n 个接触、每个接触有三种状态，最多有 3ⁿ 种组合；在三维中由于滑动可以沿不同方向发生，组合还会更多，尽管对于给定的几何形状，其中许多是不可行的。这种组合结构是规划富接触操作和运动的主要障碍。各种方法处理它的方式不同：枚举可行模式并规划穿过它们的序列；在混合整数规划中用整数变量编码模式选择；接触隐式轨迹优化，它用互补约束表示接触，使优化器隐式地选择模式；以及平滑化，它用光滑近似代替非光滑的接触动力学，使基于梯度的方法能够看到当前模式之外的情况，本站上的全局规划论文就是这样做的。

对于准静态和准动态操作，即惯性效应相对于接触力和摩擦力很小的情况，在接触不多时，模式枚举通常是可处理的，并能给出可解释的规划，例如：在手指粘滞时推动物体，让手指滑动到新位置，然后让物体绕一个角点转动。模式时间表在足式运动中也处于核心地位，其中步态定义了哪些脚在何时处于接触，不过在那里，序列通常由步态时间表事先固定，而不是通过搜索得到。

为何重要

选择建立和断开哪些接触，以及它们是粘滞还是滑动，是操作和运动中的核心决策。接触模式解释了为什么这些问题对光滑优化器来说很难，以及现代规划器如何绕过这一困难。

主要应用

• 规划推、转动支撑和推倒等非抓取操作
• 带滑动和滚动接触的手内操作
• 足式机器人的接触隐式轨迹优化
• 步态和接触序列规划
• 根据力觉和触觉估计接触状态

实际应用

一个团队为机器人做规划，让它把一个箱子推过桌面，然后靠着墙把箱子转成直立。他们对手指与箱子的接触、以角点表示的箱子与桌面的接触，以及箱子与墙的接触进行建模。在推动阶段，他们选择手指在箱子上粘滞、箱子在桌面上滑动的模式；在转动阶段，他们选择箱子的角点抵着墙粘滞、在桌面上滑动、手指在箱子表面上滑动的模式。在每个模式内，他们求解使所有力都保持在各自摩擦锥内的手指运动。执行过程中，他们监视力读数和跟踪到的箱子位姿，以检测计划外的模式变化，例如手指打滑，并在发生时重新规划。

常见误解

• 接触模式只说明哪些接触在触碰 — 它还说明每个接触是粘滞还是滑动，这对动力学的改变与建立或断开接触一样大
• 规划器必须枚举每一种接触模式 — 接触隐式优化和平滑化避免了显式枚举，代价是保证更弱以及存在局部极小值
• 接触模式只是建模的产物 — 它们反映真实的物理变化；打滑的夹爪已经改变了模式，忽略这一点的控制器可能会失败

谁需要了解

• 操作规划研究人员
• 足式运动控制工程师
• 物理仿真开发人员
• 触觉和力觉传感工程师

相关技术

• 线性互补问题（Linear Complementarity Problems）
• 接触隐式轨迹优化（Contact-Implicit Trajectory Optimization）
• 准静态接触模型（Quasi-Static Contact Models）
• Drake
• MuJoCo

相关术语

• Hybrid system
• Friction Cone
• Mixed-Integer Programming
• Wrench
• Dexterous Manipulation
• Extrinsic dexterity

相关项目

• LeRobot: HuggingFace ML library for real-world robotics in PyTorch
• Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
• NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
• OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
• Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
• OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments