Recoleta Item Note
CDF-Glove: A Cable-Driven Force Feedback Glove for Dexterous Teleoperation
这篇论文提出了 CDF-Glove，一种用于灵巧手遥操作的低成本、轻量级、缆驱力反馈手套，目标是提升示教数据质量并支持模仿学习。其核心价值在于把高维手部跟踪与触觉/力反馈结合起来，同时把成本压到约 230 美元并开源设计。
dexterous-teleoperationhaptic-feedbackforce-feedback-gloveimitation-learningdiffusion-policy
Summary
这篇论文提出了 CDF-Glove，一种用于灵巧手遥操作的低成本、轻量级、缆驱力反馈手套，目标是提升示教数据质量并支持模仿学习。其核心价值在于把高维手部跟踪与触觉/力反馈结合起来，同时把成本压到约 230 美元并开源设计。
Problem
- 灵巧操作中的模仿学习高度依赖高质量遥操作示教，但现有手套常缺少触觉反馈，导致操作者难以根据接触状态实时修正手指姿态。
- 现有高 DoF 触觉手套通常在价格高、体积大、反馈弱、可穿戴性差之间做妥协，不利于长时间数据采集。
- 如果示教质量低，训练出的策略成功率和效率都会受限，因此更好的遥操作接口对 dexterous manipulation 数据收集很重要。
Approach
- 设计了一个cable-driven force-feedback glove：手背集成部件、手指用钢索/PTFE 套管传动，兼顾轻量、安全和易复制。
- 手套提供 20 个手部 DoF 状态：其中 16 个直接测量，4 个通过运动学耦合推断；并结合 HTC Vive 进行腕部 6D 跟踪。
- 提出从编码器位移到手指关节角的运动学模型：直接测 MCP/DIP，利用 DIP-PIP 耦合关系推算 PIP，再映射到不同灵巧手。
- 提出力反馈跟随模型：根据手指关节角实时计算钢索长度变化，由伺服收放线维持张力；同时加入双模态反馈策略，低力区用 LRA 振动，高力区用缆驱阻力反馈。
- 用该系统采集双手遥操作数据集，并训练 Diffusion Policy 基线，与 kinesthetic teaching 数据训练的策略做对比。
Results
- 硬件指标：手套重量 0.49 kg，最大采样频率约 100 Hz，可测 16 DoF、耦合推断 4 DoF，力反馈到手的延迟约 200 ms。
- 精度指标：食指 DIP 重复定位实验的平均接触角为 63.15°，标准差 0.29°；作者声称远端关节重复性 < 0.4° / 约 0.4°，其他 MCP/PIP 测试也保持在 0.4° 以下。
- 成本指标：总成本约 $230.51，对比文中列举的 DOGlove $600 和 GEX Series $600，更低成本。
- 力反馈有效性：抓水瓶实验中，在遮眼+降噪条件下，成功率从 1/10 (10%) 提升到 5/10 (50%)，是 4× 提升，平均完成时间从 18.30 s 降到 8.52 s；在无感官遮挡条件下，成功率从 7/10 (70%) 提升到 9/10 (90%)，完成时间从 3.11 s 降到 2.51 s。
- 模仿学习结果：基于 CDF-Glove 遥操作示教训练的策略，相比 kinesthetic teaching，作者报告平均成功率提高 55%，平均完成时间减少约 15.2 s，即 47.2% 相对下降。
- 泛化主张：作者称其运动学与控制栈已在多种不同运动学/DoF 的灵巧手上验证，并且代码与硬件设计已开源；但摘录中未给出更细的跨平台定量表格。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.