2026年10月20日，一篇题为《Learning-Enhanced Observer for Sensorless Task-Null-Space Compliant Control》（面向无传感器任务-零空间柔顺控制的学习增强观测器）的论文以预印本形式提交至 arXiv，编号为 arXiv:2610.28769v1，归类于机器人学（cs.RO）方向。论文作者为 Nuo Chen、Ya-Jun Pan 与 Onur Toker，提交时间为 2026 年 10 月 20 日 18:08:13 UTC（协调世界时），稿件大小为 3,763 KB。该文通过 arXiv 的 DOI 分配机制获得标识 https://doi.org/10.48550/arXiv.2610.28769，不过该 DOI 在数据引用机构 DataCite 的注册尚处于待处理状态。读者可通过 PDF、实验性 HTML 页面以及 TeX 源码三种方式获取全文，arXiv 页面同时提供音频摘要等功能。
论文针对的是物理人机交互（physical Human-Robot Interaction，简称 pHRI）场景。在此类任务中，机器人需要同时满足两类彼此存在张力的要求：一方面要在任务空间中稳健地完成既定运动，另一方面又要对人类施加的扰动保持柔顺。这两者构成了不同的控制目标，如何在同一个框架内协调它们，是 pHRI 控制设计中的核心难题。作者指出，现有大多数方法往往只侧重于鲁棒性或者只侧重于柔顺性中的一端，并且在实时跟踪时依赖力传感器来获取接触力信息。这种对力/力矩传感器的依赖，使得大量本身没有配备力/力矩传感器的机械臂平台难以采用这些方法。
为应对上述局限，论文提出了一个将鲁棒力旋量（wrench）观测器与混合位姿-力控制器相结合的新框架。作者明确列出了三项关键贡献。第一，训练一个神经网络（NN）来提升观测器的性能，具体方式是补偿系统中的摩擦以及未建模动态。这类效应在传统基于模型的观测器中往往被忽略或简化，却会直接降低力旋量估计的精度。第二，引入任务-零空间分解（task-null-space decomposition），将关节速度分离处理，从而削弱人类扰动对观测器的影响。这一分解使观测器能够区分任务相关的运动分量与冗余自由度上的运动分量，减少人机接触带来的干扰渗入估计过程。第三，设计一个混合位姿与力控制器，用于实现末端执行器的位姿跟踪与力跟踪。
实验结果方面，论文报告称所提框架能够提供稳健且准确的力旋量估计，同时保持可靠的位姿与力跟踪性能。作者强调，该方案为 pHRI 提供了一种有效的解决思路与框架，且无需力/力矩传感器的测量数据，因此可应用于许多未配备力/力矩传感器的机器人机械臂平台。
需要说明的是，以上内容均来自论文摘要与 arXiv 元数据，预印本尚未经过正式同行评审；实验的具体设置、对比基线、量化指标与适用边界等细节，需以全文为准。此外，该预印本的提交时间标注为 2026 年 10 月，相关记录仍属新近条目，后续版本可能对内容作出修订。