在机器人实操场景中，仿真训练得到的策略部署到实体机器人时，常常会出现动作偏差。仿真与现实的差距、末端未知负载、同型号机器人个体动力学差异，都容易让接触类动态操作任务出现执行失败。TAM（Torque Adaptation Module，力矩适配模块）针对这一现实问题，提供了一套力矩层面的迁移适配方案。

TAM 项目核心思路

TAM 作为独立学习模块，部署在底层控制器与机器人力矩接口之间，不需要改动原有任务策略。它分为历史编码器与力矩适配器两部分：历史编码器读取机器人关节位置、速度、力矩的历史信息，压缩得到表征动力学偏差的隐变量；力矩适配器以 1kHz 的硬件控制频率输出残差力矩修正量，补偿动力学带来的动作偏差。

图 1：TAM 部署架构。

该模块的一大特点是策略无关。不管是强化学习、行为克隆生成的策略，还是模型预测控制算法，只要动作可以转换为名义力矩，TAM 就可以完成适配。模型完全在仿真环境完成多机器人预训练和微调，无需实体机器人采集真实数据，降低现实部署成本。

图 2：TAM 的数据生成与训练流程。

Franka（FR3）机器人赋能TAM力矩算法验证

在本项目的实验验证中，Franka 机器人承担了核心的角色，主要体现在以下几个方面：

真实世界任务验证平台。 研究团队在Franka机器人上部署了多种策略，包括基于视觉的强化学习推箱任务、行为克隆的翻转策略、MPC的球板平衡控制，以及在未知负载下的跟踪任务。这些实验覆盖了不同的策略类型、动作空间和底层控制器，TAM在所有任务中均表现出优于直接执行和在线系统辨识基线的效果。

图 3：典型实物实验对比结果，上方为直接执行（无 TAM），下方为启用 TAM 后的执行效果。各列展示主实验中采用的四组 Panda 机器人实验场景：强化学习箱体推送、行为克隆方块翻转、基于模型预测控制的球板平衡策略，以及带附加负载的轨迹跟踪实验。

运动对齐与控制器切换测试。 在跟踪实验中，Franka机器人从关节阻抗控制切换到操作空间控制，并分别在标称条件和附加1kg末端负载条件下进行评估。TAM在全部四种设置中取得了最低的跟踪误差，表明其能够在物理参数变化和底层控制器切换时改善运动对齐。

跨机器人迁移的训练与评估基础。 Franka是多机器人预训练所使用的五个机器人模型之一，TAM的共享权重在此基础上学习，并可进一步在目标机器人仿真数据上微调。Franka的实验结果也为跨机器人泛化提供了参照。

项目实验效果与局限

在实物测试中，对比直接部署、在线系统辨识等基线方案，TAM 能够提升各类任务的完成成功率，减小末端轨迹跟踪误差。同时项目也客观指出适用边界：需要机器人开放力矩接口，机器人本体运动学结构需要与仿真模型保持匹配；当外部负载超出机器人力矩硬件上限时，适配效果会受到约束，无法实现无条件的鲁棒性保障。

总体来看，TAM 提供了 “策略不变，底层力矩补偿” 的新思路，而以 Franka Research 3 为代表的具备开放力矩接口的力控机械臂，为这类底层适配算法的验证与落地提供了合适的硬件载体。

项目详情：https://dongwon-son.github.io/tam-project-page