Open Source Robotics

精选高质量开源机器人项目、工具和软件，推动机器人社区发展。

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

许可协议

  • 开放获取
  • 论文: CC BY 4.0

以下内容均依据论文全文，按其 CC BY 4.0 许可协议使用；其中的图已注明作者。

一句话总结

一种面向低成本舵机机械臂的 Transformer 执行器模型，通过可微 MuJoCo 从位姿数据训练，无需力传感器即可估计末端执行器受力，并改进力感知模仿学习。

为何重要

它让低成本机械臂在推理时无需力/力矩传感器即可获得可用的力信号，GPU 推理时间不到一毫秒，高于 60 Hz 的控制频率。该信号提高了负载任务中行为克隆的成功率，而且模型只需 12 条轨迹、约六分钟即可在新的设备上重新校准。

问题

低成本舵机机械臂使用带减速齿轮的有刷 DC 执行器，其中的摩擦、迟滞、背隙和热漂移会破坏线性电流-扭矩假设。这会损害仿真、力矩跟踪以及任何基于电机电流的力估计。以往的学习型执行器模型需要来自关节扭矩传感器或经过标定的电流的扭矩标签，而这些平台无法可靠地提供这些。

提出的方法

NeuralActuator 是一个四层 Transformer，它读取九帧的指令、关节状态和执行器遥测数据（电流或负载、电压、温度），输出扭矩替代量、原始的 3D 末端执行器力、接触概率门控以及每个电机的状态分数。扭矩输出头的训练方式是让其在可微的 MuJoCo/MJX 仿真器中推演并匹配测得的位姿，因此不需要扭矩标签；力、门控和状态输出头则直接用新的神经驱动数据集中的标签进行训练，该数据集由一对主从式 OpenManipulator-X 机械臂和一个六轴力/力矩传感器记录。

关键见解

  • 在带减速齿轮的低成本舵机上，线性电流-扭矩映射可能完全失效：在 OpenManipulator-X 上逐关节拟合 Kt 时，在截断之前有两个关节得到了负斜率
  • 在没有扭矩标签时，让位姿轨迹在可微仿真器中推演，就足以监督扭矩替代量
  • 将力回归与接触概率门控分开，可使无接触时预测的力接近于零，而经典观测器在这种情况下会产生误报接触
  • 在这些舵机上，固定的参数化摩擦模型（Stribeck、背隙）相比线性模型几乎没有改进；以历史为条件的网络能捕捉到主要的非线性
  • 将预测的力作为额外输入，可以改进负载操作中的模仿学习策略

主要结果

  • 100 步时的负载基准：力 MAE 为 0.12 N，而最佳经典基线（广义动量观测器）为 0.66 N，ID-Friction 为 1.23 N，ID-Linear 为 1.41 N；在无接触状态下，经典方法出现了 33-59% 的接触误报
  • 力最高达 9 N 的六轴传感器基准：100 步时力 MAE 为 0.36-0.39 N，500 步时为 0.38-0.57 N；在无接触参考上预测值为 0.00-0.02 N
  • 40 次试验的行为克隆：使用 NeuralActuator 力输入后，抓取放置的成功率从 80% 提高到 92.5%，go-up-and-stay 从 85% 提高到 95%
  • 电机状态检测（用橡皮筋限制的关节 3）：准确率 91.0%，召回率 96.2%，AUC-ROC 0.95，而最佳手工特征基线（随机森林）的准确率为 67.1%，AUC-ROC 为 0.72
  • 运行时：1.44M 参数，GPU 平均推理时间 0.25 ms，批量大小为 1 时吞吐量为 4,019 Hz
  • 跨平台：Franka Panda 在 200-600 g 负载下的离线力 MAE 为 0.26-0.42 N；SO-101 在 500 步时的力 MAE 为 0.47-0.73 N；基于 12 条轨迹（356 s）的在线自适应使跟踪误差降低约 44%

局限

  • 以记录的遥测数据为条件的长时程推演会累积误差，最终降低跟踪精度（作者通过少量轨迹的在线自适应来缓解这一问题）
  • 扭矩替代量是与仿真器等效的量，而不是实测的执行器扭矩：当前向模型中缺少接触或负载时，它可能会吸收这些因素以及其他模型失配的影响
  • 在线推理需要实时的执行器遥测数据，而且模型无法推演尚未执行的候选指令，因此若没有额外的力响应模型，就不能用于 MPC 之类的反事实规划
  • 力输出头只估计末端执行器处的单一 3D 合力：不能定位多点接触，不能给出完整的力旋量，并且训练需要显式的力标签
  • 约 50 g（约 0.5 N）及以下的负载接近低成本平台的噪声底；Franka 的结果是一个离线基准，使用未来状态作为指令信号的代理

对领域的影响

荣获 RSS 2026 纪念 Seth Teller 杰出系统论文奖，并入围 RSS 2026 杰出论文奖决选；目前已被引用 5 次。作者发布了神经驱动数据集（Neural Actuation Dataset），并列出了项目页面和代码仓库。

摘要

可微仿真器推动了策略学习和基于模型的控制的发展，但执行器动力学仍是仿真到现实误差的一个重要来源。这在低成本平台上尤为突出：在跟踪指令目标的过程中，由于摩擦、迟滞、背隙和热效应，线性的电流-扭矩关系 τ = K_t·I 变得不可靠。我们提出 NeuralActuator，一种神经执行器模型，它联合预测：(i) 一个与仿真器等效的广义力替代量，用于低成本舵机平台上的轨迹推演；(ii) 带接触概率门控的外部力，用于无传感器的力感知；(iii) 被监测关节的电机状态分数。我们还提出了神经驱动数据集（Neural Actuation Dataset，NAD），它由一套双臂遥操作系统采集，记录机器人状态和执行器遥测数据以及外部力标签。扭矩替代量输出头通过可微仿真、从位姿轨迹中训练，无需直接的广义力标签；而力、门控和电机状态输出头则接受直接监督。Transformer 在捕捉时间依赖性的同时支持实时推理。我们在 5-DoF OpenManipulator-X、6-DoF SO-101 和 7-DoF Franka Emika Panda 上评估了 NeuralActuator，涵盖三个执行器系列，平台价格从约 USD 500 到超过 USD 30,000。低成本平台用于动力学和力的评估，而离线的 Franka 实验提供了一个额外的负载力估计基准。实验进一步展示了它在 OpenManipulator-X 上用于电机状态估计的应用，以及将 NeuralActuator 用作预训练模块时行为克隆性能的提升。

链接

  • 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
  • 代码: https://github.com/Frank-ZY-Dou/Dynamics-Modeling/tree/main/NeuralActuator
  • 项目主页: https://frank-zy-dou.github.io/projects/NeuralActuator/index.html

本网站需要 JavaScript 才能正常运行。请启用 JavaScript 以浏览我们的开源机器人项目。