IEEE Transactions on Robotics

Human-Aware Physical Human–Robot Collaborative Transportation and Manipulation With Multiple Aerial Robots

作者：Guanrui Li, Xinyang Liu, Giuseppe Loianno · 机构：New York University, New York, NY, USA

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：762-781

控制优化多机器人操作传感器

精读笔记

Problem Setting

《Human-Aware Physical Human–Robot Collaborative Transportation and Manipulation With Multiple Aerial Robots》（IEEE Transactions on Robotics / 2025）处理的不是一般 cooperative aerial transportation，而是更苛刻的物理协作问题：人直接对绳索悬挂刚体负载施加 6D wrench，多架四旋翼需要顺从人的意图，同时保持对负载位姿的可控性，并避免机器人靠人太近。

关键矛盾在于：负载的 6D wrench 由所有 cable forces 共同生成，但这些 cable forces 同时决定机器人相对负载的位置。也就是说，同一组控制变量既承担操纵任务，又决定安全几何关系。传统做法要么只管负载 tracking，要么用队形/leader-follower 间接控制机器人位置；前者忽略人机距离，后者无法严格保证刚体负载 6D 操纵。本文真正要解的是这个耦合：如何在不牺牲负载 wrench 的情况下改变机器人空间分布。

Motivation

已有路线不足主要有三类。第一，pHRI 大多是单机器人或地面多机器人，空中多机器人由于欠驱动、负载耦合、绳索约束，很难直接复用。第二，多无人机绳索搬运文献大多把负载当点质量，或者只做 autonomous 6D tracking，缺少人类 physical input 的闭环。第三，已有多空中机器人与人的协作常依赖 force sensor、motion capture 下的 cable tension measurement，或者把人限制在 2D 平面交互。

作者的核心观察是：多绳索刚体系统天然有内部冗余。只要机器人数量足够，cable force 到 payload wrench 的映射矩阵 P 有零空间；零空间里的力不会改变负载净 wrench，却会改变每根绳索方向和每架机器人位置。这个缺口很明确：过去的 redundant aerial manipulation 没有把这个 null space 系统性用于 human-aware pHRI。

Core Idea

论文的核心不是 admittance control 本身，也不是 geometric controller 本身，而是把 human-aware behavior 放进 cable force distribution 的 null space。名义解用 P 的伪逆产生负载所需 wrench；安全/人感知项只允许落在 N(P) 中。因此在理想模型下，机器人可以“绕开人”或“彼此分开”，而负载看到的 wrench 不变。

这改变了建模方式：人机安全不再是一个外层路径规划或队形规划问题，而是一个 internal force allocation 问题。其 inductive bias 很强：把任务空间与内部形变空间解耦。只要动力学模型可信、绳索张紧、执行器有余量，这种解耦就能让系统同时满足操纵和空间分离，比 leader-follower 或纯队形控制更自然，也更容易推广到不同数量的机器人。

第二个核心思想是用机器人自身估计到的 cable force 反推 human wrench。人类输入不是来自手柄或力传感器，而是从团队动力学残差中恢复出来。这使得物理交互更接近“人直接拖负载”，也降低了负载端硬件依赖。

Method

1. Payload wrench tracking：解决“负载应该受到什么 6D wrench”这个问题。它把期望位姿误差转成期望 force/moment，使后续所有机器人只需实现这个 wrench。必要性在于把复杂多机系统抽象成一个受控刚体，避免在机器人层面直接处理负载 6D 任务。

2. Nominal force distribution：解决“哪些 cable forces 能产生这个 wrench”。伪逆给出最小范数名义解，本质是把 payload wrench 投影回 actuator/cable force space。这一步并不新，但它给 null-space 分解提供基准。

3. Human-aware null-space modification：解决“如何改变机器人位置而不改变负载 wrench”。gradient-based 方法用距离梯度产生 pseudo modifier，再投影到 N(P)；optimization-based 方法直接在 null-space 参数化下加人—机和机—机距离约束。核心变化是把安全距离作为 internal force shaping，而不是额外轨迹。

4. Cable-force-based human wrench estimation：解决“没有力传感器时如何知道人施加了什么”。每个机器人估计自身 cable tension，团队聚合后通过准静态 payload equilibrium 反推出人类 6D wrench。必要性很强，因为 admittance control 的输入必须是 wrench，但实际部署不希望在负载上安装 6D force/torque sensor。

5. Admittance controller：解决“如何把人类 wrench 转成系统意图”。它把估计 wrench 映射为修改后的 payload reference，使人感觉在推动一个可调虚拟阻抗的负载。这里的核心不是 admittance 的公式，而是它成为 human wrench 与 autonomous payload tracking 之间的接口。

Key Insight / Why It Works

最重要的有效性来源是结构性解耦：payload wrench space 与 cable-force null space 的分离。只要 P 满秩且系统有冗余，P μ_des 决定负载运动，而 N(P) 中的分量只改变内部张力/几何。这比在轨迹层面做避障更干净，因为它不会要求负载绕路，也不会把 human-aware 行为与 payload tracking 直接冲突。

最可能的实质贡献是 human-aware force distribution，而不是 admittance controller。admittance 是成熟 pHRI 工具，geometric tracking 也来自已有 aerial manipulation 谱系；本文的新增信息在于：用多绳索刚体系统的 internal force redundancy 承载人感知安全目标，并在真机 pHRI 中闭环验证。

wrench estimator 的价值也很实际，但其理论强度较弱。它依赖准静态假设：忽略 payload linear/angular acceleration 后，用 cable forces 与重力平衡反推 human wrench。这在低速交互下有效；但在快速操作中，估计误差会把 payload inertia 当成人力或把人力低估/滞后。文中与 momentum observer 对比显示更准确，但这更像针对该系统结构的 better inductive bias，而不是通用外力估计突破。

哪些是 engineering？ROS2、Chrony、mocap、UKF 状态设计、具体增益、SQP solver 选择都更偏 engineering。optimization-based 版本的“硬约束安全”也部分是工程可行性展示；真正机制仍是 null-space parameterization。scaling 不是本文主要增益来源，机器人数量只有三架，所谓 arbitrary n≥3 更多是公式层面的可扩展，而非经验证的大规模 swarm 能力。

这篇没有数据驱动成分，因此不存在 benchmark leakage 或 retrieval 式伪推理问题。它的风险不是数据覆盖，而是模型假设覆盖：准静态、taut cable、mocap 精度、低速和温和人类输入共同构成了实际有效边界。

Relation To Prior Work

它最接近三条路线的交叉：多无人机绳索刚体操纵、pHRI admittance/impedance control、冗余机械系统的 null-space secondary task control。看似新的一些模块其实是已有思想重组：payload geometric controller、伪逆 force allocation、admittance control、UKF 都不是概念新发明。

真正不同点在组合位置。过去 cooperative aerial manipulation 多关注 payload tracking，冗余自由度即使被讨论，也往往没有明确服务 human-aware pHRI；过去 pHRI 多是单机器人或地面机器人，多机器人空中系统常停留在 teleoperation 或 2D point-mass。本文把“人施加 6D wrench—负载 admittance—多绳索 internal force safety”闭成一个统一系统。

相对 leader-follower，它没有把某架机器人当导航核心，避免误差链式传递，也更直接控制 payload 6D pose。相对 point-mass 运输，它把 payload 当刚体处理，因此能显式处理力矩和姿态。相对 tension-measurement 方法，它减少了 force sensor 依赖，但代价是更依赖动力学模型和状态估计。

Dataset / Evaluation

评估覆盖了几个与 claim 对齐的场景：单机 cable force 估计、负载 6D external wrench 估计、6D admittance 交互、人与机器人协同搬运、人在未知障碍前修正轨迹，以及 human-aware force distribution 的两种实现。真机实验是本文说服力的主要来源，因为空中 pHRI 如果只在仿真中成立意义很有限。

实验基本支持两个核心 claim：第一，三架四旋翼可以与人进行刚体负载 6D 物理交互；第二，null-space modifier 可以在不明显损害 payload interaction 的情况下拉开人—机/机—机距离。尤其是未知障碍实验说明人类 wrench 可以作为在线 trajectory correction，而不是离线规划目标。

但 evaluation 的边界也很明显。所有真实实验在室内 mocap、三机、低速、小负载、已知 human point position 下进行。没有展示强扰动、风、遮挡、通信延迟、机载感知误差、绳索松弛、执行器饱和或更大 n 的情况。optimization-based 方法的 safety guarantee 只是在优化约束可行且状态准确时成立，不等价于真实物理安全认证。

Limitation

最大限制是方法把很多难题转移给了模型与感知。null-space force distribution 理论上不影响 payload wrench，但现实中 cable force tracking 误差、执行器饱和、绳索角度约束、张力非负约束、空气扰动都会破坏这种正交性。文中未充分说明在这些约束同时存在时 null-space modifier 的可行域如何保证。

wrench estimation 依赖准静态假设，这是 6D pHRI 中最脆弱的部分。人突然拉拽、快速旋转或 payload acceleration 显著时，忽略惯性项会直接污染人力估计。文中未充分说明 admittance loop 在估计延迟和噪声下的 passivity/stability；对 pHRI 来说这是硬问题，不是调参问题。

human-aware 仍然很简化。人被表示成一个点，通常是头部或位置点；没有人体体积、姿态、可达空间、舒适性和心理接受度建模。更严重的是，绳索本身可能扫到人，而当前方法主要管机器人与人距离，论文也承认 cable-human collision 没解决。

scalability 也不能只看 O(n)。实际多机扩展会遇到 P 的条件数、null-space 可操纵性、通信同步、张力分配可行性和空间拥挤。optimization-based 方法随 n 增长成本高；gradient-based 方法便宜但没有硬安全保证。增益来源不清的一点是：实验中的良好分离可能部分来自场景宽松和人操作配合，而不是算法在复杂环境中的鲁棒性。

Takeaway

  • 1. 对多机器人绳索操纵，最值得迁移的 insight 是把 secondary task 放进 internal force/null-space，而不是在任务轨迹上硬叠避障。
  • 这种思路可迁移到多臂协作搬运、缆索并联机器人、分布式抓取等冗余接触系统。
  • 2. pHRI 中“人类输入估计”可以从团队动力学残差中恢复，而不一定需要专门的负载力传感器。
  • 但这条路线的有效边界是低速、模型可信和状态估计准确。

一句话总结

这篇论文是多无人机绳索刚体操纵从 autonomous tracking 走向 human-aware physical collaboration 的一篇系统型工作，真正贡献在于用 cable-force null space 承载人机安全与内部几何重构，而不是发明新的 admittance 或底层飞控。