A Hierarchical Approach to Imitation Learning for Manipulation Tasks Requiring Time Varying Forces
DPA-FTG（Diffusion Policy Augmented by Fast Trajectory Generation）是一种用于机器人操作的分层模仿学习方法，将低频规划（5 Hz）与高频力调节（60 Hz）解耦。高层使用条件扩散模型预测任务原语序列，低层使用力条件策略作为神经阻抗控制器，实时调节执行以保持接触稳定性。该方法针对接触丰富的拆卸任务，如凿削和撬动，旨在解决扩散策略推理延迟与高频控制需求之间的权衡。
发展脉络
- 首次出现A Hierarchical Approach to Imitation Learning for Manipulation Tasks Requiring Time Varying ForcesarXiv cs.RO
- 当前判断该研究针对接触丰富的操作任务（如拆卸），可能推动机器人技术在工业维护、回收等领域的应用。分层控制架构可能成为机器人操作策略设计的新范式，影响后续研究对扩散策略与力控制的结合方式。Agent Pulse · 分析
DPA-FTG 提出了一种分层模仿学习框架，用于需要时变力的操作任务。该方法将低频规划与高频力调节解耦：高层以 5 Hz 运行，使用条件扩散模型预测任务原语序列；低层以 60 Hz 运行，采用力条件策略作为神经阻抗控制器，实时调节执行。这种设计旨在解决扩散策略在接触丰富任务（如拆卸）中推理延迟与高频控制需求之间的权衡，以及动作分块技术开环执行窗口对快速力瞬变的盲区问题。
DPA-FTG 的核心创新在于将扩散策略的规划频率（5 Hz）与力控制频率（60 Hz）解耦，通过神经阻抗控制器实现高频力调节。这暗示了扩散策略在机器人控制中的新应用模式：不再直接生成高频动作，而是生成任务原语序列，由轻量级策略执行。可验证的下一信号是该方法在真实机器人上的拆卸任务成功率与接触稳定性指标。
该研究针对接触丰富的操作任务（如拆卸），可能推动机器人技术在工业维护、回收等领域的应用。分层控制架构可能成为机器人操作策略设计的新范式，影响后续研究对扩散策略与力控制的结合方式。
对于机器人公司，该方法可能降低接触丰富任务的编程复杂度，提升自动化拆卸、装配等场景的可行性。分层架构可能降低对高精度力传感器的依赖，从而降低系统成本。
未来可能看到 DPA-FTG 在更多接触丰富任务上的验证，以及与其他感知模态（如视觉-触觉）的融合。分层控制架构可能被扩展到更复杂的操作场景，并可能影响工业机器人控制系统的设计。