基于spring、plane、rail原语训练本体感觉反射策略，提升接触丰富操作鲁棒性

能否学习一个本体感觉反射策略，在不观测力或约束几何的情况下，适应不完美的任务级运动命令并限制接触力？

接触丰富操作中，机器人需要顺应环境几何约束，但位置控制、混合力位控制或笛卡尔阻抗控制预设的跟踪目标、刚度或力控方向可能与实际局部约束不匹配，导致接触力过大、卡滞或任务失败。高层命令（来自规划器、学习策略或遥操作）往往无法准确匹配实例几何，尤其当指令穿透深度过大或孔位存在误差时。

此前做法包括：经典阻抗/导纳控制与混合力位控制，通过调增益在跟踪精度与接触力之间权衡；学习力控制方法如FORGE，在强化学习中用最大允许力阈值惩罚过载；以及基于力/力矩传感器或关节扭矩估计的局部反射。不足：这些方法要么依赖力传感器或明确的力控方向，要么增益调节难以覆盖所有工况，且未将任务命令生成与接触响应分离，导致在未知几何或大指令误差下性能下降。

新方法在仿真中通过强化学习训练一个本体感觉反射策略，使用三种虚拟交互原语（spring、plane、rail）施加外力。策略观测0.5秒的本体感觉历史（关节位置、关节目标误差、指令与实际末端位姿、合规模式），输出残差关节位置目标。训练奖励结合基于力可行集的合规参考跟踪、力跟踪和超阈值惩罚，参考FORGE的力阈值思想。部署时策略作为冻结的低层执行层，不需要力或几何观测，只需高层命令提供合规模式输入（或由规则/学习获得）。

真机箱体抓取：反射策略在五个指令穿透深度（7.5、10、12.5、15、17.5 cm）全部成功，硬件平均关节跟踪误差保持低于12度；IK+PD在17.5 cm失败，仿真中掌心接触力反射保持≤2 N，而基线随深度单调上升。真机销钉插入（0.02 mm间隙，每条件50次）：反射在0、2、5、9 mm偏移的成功率为58%、56%、36%、42%，IK+PD在0、2、5 mm为22%、18%、0%（9 mm未报告），反射的平均估计接触力6.3到7.6 N，低于IK+PD的17.4到20.0 N的一半。0.1 mm间隙：反射在0、2 mm偏移100%成功，9 mm为84%，IK+PD在9 mm为52%；反射插入更快（0偏移1.71 s vs 6.81 s）。仿真插入（5种子×1000次，偏移0到5 mm）：0.02 mm间隙反射74.8±4.6% vs IK+PD 54.6±12.4% vs Impedance 10.4±4.3%；移除任一原语（spring、plane、rail）后0.02 mm间隙成功率降至45.9%到68.2%。仿真表面跟随（12个粗糙面，高度未知±20 mm）：反射接触力p95为7.4 N（平坦面7.5 N），低于10 N阈值；Hybrid为8.7 N（平坦面7.4 N），切向RMSE反射31.3 mm vs Hybrid 32.6 mm；IK+PD和Impedance在刚度扫描0.25至2倍下均未达到反射的跟踪-加载权衡。

作者承认：仅评估了有限任务，泛化待验证；交互原语只建模平动载荷与约束，未覆盖转动耦合（如刚性抓握开门）；依赖显式合规模式输入，需高层命令或独立模式选择逻辑提供。其他明显局限：表面跟随仅在仿真中评估；真机销钉插入仅与IK+PD比较，未在真实机器人上对比阻抗控制；训练和评估只涉及两种机器人本体；论文未报告是否开源代码。