Push-Wiper: Toward General-Purpose Robotic Cleaning across Varied Stains and Surfaces with Segmented Pushing Trajectories

  • 关联论文：2608.00730
  • 作者：Tom
  • 更新：2026-08-05

一句话结论

Push-Wiper 将高粘度污渍清洁重新定义为"聚合-分离"问题，用海绵通过分段推动轨迹逐步聚集污渍，再统一分离回收，Cleaning Score（CS）最高达 baseline 的 230%（提升 130%），并可在零样本条件下迁移到未见过的污渍和曲面。

解决什么真问题

机器人表面清洁长期面临两大流派的选择困境：

  • 传统擦拭（wiping）：海绵或布沿表面移动，摩擦力有限，对高粘度液体（如厨房油污、浴室水渍）往往只是把污渍摊开扩散，无法真正去除
  • scrubbing（擦洗）：高频往复运动提供更大摩擦力，但容易刮伤精细表面（玻璃、不粘锅涂层），且对机器人末端执行器的力控制要求极高

核心挑战：高粘度污渍具有复杂的流变特性（rheological properties），既不能靠擦拭推走，也不能靠擦洗硬磨。Push-Wiper 的核心洞察是：将清洁重新定义为聚合问题（aggregation problem）——不是"去除"，而是"收集"，把分散的污渍聚成一团再统一处理。

核心方法

核心机制：聚合-分离双阶段

Stage 1: 分段推动轨迹（Segmented Pushing Trajectories）
    海绵沿表面移动，将分散污渍逐步推向同一区域
    → 污渍被聚合成一团

Stage 2: 后处理（Post-processing）
    海绵提起/旋转，将聚集的污渍从表面脱离
    → 同时实现海绵自清洁（sponge self-cleaning）

技术三件套

1. 分步聚合策略（Stepwise Stain Gathering）

不追求一步到位，而是在每一步将污渍向当前最优方向推动一小段，循环迭代直至聚合完成。相比直线推动，分段轨迹能更好地处理不规则形状和空间分布的污渍。

2. Diffusion Policy 生成推动动作序列

将动作序列建模为条件生成问题：给定当前视觉状态（摄像头 RGB/深度输入），Diffusion Policy 生成下一步的推动方向和力度序列，而非直接输出确定性的位置控制。这种生成式方法天然具有多样性和鲁棒性。

3. ASPI + 混合力位控制器（Arbitrary Surface Pose Interpolator + Hybrid Force-Position Controller）

  • ASPI：对任意曲面几何生成平滑的海绵末端 pose 插值，保证海绵与表面始终保持贴合接触
  • Hybrid Force-Position Controller：在位置控制的基础上叠加力控，确保海绵压力足够推动污渍但不会刮伤表面

关键公式/伪代码

# 动作生成（Diffusion Policy）
action_sequence = diffusion_model.condition(visual_state)
                  .denoise(num_steps=50)
                  .sample()

# 曲面插值（ASPI）
target_pose = ASPI.interpolate(surface_geometry,
                               current_pose,
                               target_point)

# 力位混合控制
actual_pose = hybrid_controller.compute(
    target_pose,
    measured_force,
    Kp_position=0.8,
    Kp_force=0.2
)

关键实验与数据

指标 结果 说明
Cleaning Score（CS） 最高 230%（相对 baseline 提升 130%） CS = 污渍面积去除百分比
泛化到固体残留 零样本 未额外训练即可迁移
泛化到液体泼溅 零样本 未额外训练即可迁移
泛化到未见粘度污渍 零样本 未额外训练即可迁移
泛化到曲面 零样本 不同曲率几何均可处理

实验平台：IROS 2026 论文（真实机器人实验，非仿真）。

硬件条件：原文未明确标注具体机器人平台和执行器规格，建议参考项目网站 push-wiper.github.io 获取硬件配置。

亮点与局限

亮点： 1. 问题重构：将"清洁=去除"重新定义为"清洁=聚合"，从物理上解决了高粘度污渍难以直接推动的难题 2. Diffusion Policy + 真实力控的工程组合：生成式策略弥补了规则方法无法应对多样化场景的不足，力位混合控制确保物理可行性 3. 零样本泛化能力：不需重训即可迁移到固体/液体/曲面等多种场景，具有强实用价值 4. 海绵自清洁机制：后处理阶段同时解决海绵本身的清洁问题，避免二次污染

局限： 1. 代码未公开：截至摘要抓取时，项目网站已上线但代码未 release（IROS 2026 论文通常需补充材料/代码） 2. 适用场景有界：对超吸附表面（porous surfaces，如布料）不适用；表面材质多样性验证不足 3. "130% 提升"需要基准对齐：该数字基于哪些 baseline？传统 wiping？scrubbing？原文未说明实验设置 4. 速度/效率权衡：分段轨迹意味着更多的动作步骤，对清洁速度的影响未量化

对工程落地的启发

  1. "聚合思维"可迁移到其他 robotic manipulation 任务：不只是清洁，任何需要处理分散物体的任务（散落零件分拣、液体回收）都可以借鉴"聚-离"双阶段设计
  2. Diffusion Policy 在操作任务中的实用价值：相比 end-to-end RL，Diffusion Policy 提供了更好的动作多样性，适合需要应对环境不确定性的任务
  3. ASPI 的曲面插值方法：对任意曲面执行接触任务（打磨、喷涂、贴膜）都有参考价值，值得关注其工程实现
  4. 零样本泛化的工程路径：在大类任务（surface cleaning）上训练，泛化到小类未见场景，是具身智能落地的一个可行路径

与同方向工作的关系

  • 对比传统 robotic cleaning：大多数现有 robotic cleaning 方法（如 iRobot、DeepMind 的家务机器人）侧重于路径规划或擦拭策略优化，Push-Wiper 聚焦于高粘度这一特殊挑战
  • 对比 Manipulation + Diffusion Policy：类似 Physical Intelligence 的 π₀ 系列，Push-Wiper 也用 Diffusion Policy 生成动作序列，但针对的是清洁这一特定任务做了定制
  • 对比 Agent 的 Tool Use 思路：某种意义上 Push-Wiper 的"海绵"是一种柔性工具（soft tool），与 Agent 使用外部工具解决问题的方法论一脉相承

适合谁读

  • 具身智能（Embodied AI）工程师：需要处理物理操作任务的团队，尤其是清洁、抓取、柔性接触类任务
  • Robotics 研究者：关注 Diffusion Policy 在真实世界任务中落地效果的群体
  • 工业自动化从业者：清洁机器人（医院、厨房、制造业）的研发团队，Push-Wiper 的零样本泛化能力具有直接商业价值

工程落地与核查（Jay）

事实核查注记

  • "230% baseline"的基准未披露：原文未明确指出相对哪个 baseline 的 230%。若 baseline 是"无清洁"（什么都不做），则任何推动行为都能达到 >100%，这个数字没有对比价值。需待 PDF 明确：若 baseline 是传统 wiping 或 scrubbing，则数字有参考价值；若 baseline 是随机动作，则参考价值有限。
  • "零样本泛化"claim 需验证：零样本指未在目标污渍类型上训练，但 Diffusion Policy 的训练数据集是否已覆盖同粘度级别的其他污渍？若训练集含厨房油污测试集含浴室水渍，同属高粘度液体，泛化 claim 力度强；若跨粘度级别泛化，则 claim 更强但可信度更低。
  • "真实机器人实验，非仿真"：IROS 2026 已确认，但具体机器人平台（UR/WidowX/定制？）、执行器力控精度（0.5N 或 5N？）、视觉传感器（RGB-D 型号）均未披露，工程复现需参考项目网站。

实际系统部署的关键坑

  1. Diffusion Policy 的推理延迟是实时控制的瓶颈
    50-step denoising 在 GPU 上通常耗时 0.5–2 秒（取决于模型大小和硬件），这对需要 5–10 Hz 控制频率的机器人操作来说可能过慢。解决路径：蒸馏压缩（50→5 step DDIM）或使用 Consistency Model 将去噪步数降至 1–3 步；或在操作前预生成动作序列缓存（"开环生成 + 闭环修正"），而非每步在线推理。

  2. 高粘度污渍的物理收集需要配套执行器
    聚合完成后，污渍的"分离-回收"阶段需要物理手段将污渍从海绵转移到收集容器（真空吸取？刮板？），原文中"海绵自清洁"机制未描述具体实现。坑：高粘度液体（如重油）可能无法被简单提起动作带走，需要额外的吸附材料或刮刀配合。部署前需验证"自清洁"是否能在实际粘度范围内可靠工作。

  3. ASPI 的实时曲面几何估计
    ASPI 要求在清洁过程中实时获取表面几何（曲率、法向量），若依赖离线三维重建则无法应对非结构化环境。建议：若环境相对结构化（如桌面、地面），用深度摄像头 + TSDF 融合做实时重建；若环境非结构化，ASPI 需退化到恒定高度力控模式，牺牲曲面适应性换取鲁棒性。

  4. 表面材质适配的隐藏陷阱
    力位混合控制的 Kp_force=0.2/Kp_position=0.8 是论文给出的经验值，但在不同表面上最优参数差异巨大（玻璃需要更轻的力、粗糙台面需要更大的下压力）。生产部署需要每类表面单独标定 force controller 参数，且参数迁移性差。建议：加入表面材质识别模块（视觉分类或力反馈在线估计），用 adaptive gain 替代固定 Kp。

  5. 海绵耗材与污染问题
    清洁任务中海绵会不断吸附污渍，海绵自清洁的有效性直接决定了系统的持续清洁能力。若自清洁不充分，海绵会成为二次污染源。建议：在连续清洁任务中定期更换海绵或在每次循环后对海绵进行冲洗，同时在清洁质量评估中加入"海绵清洁度"检测（如视觉+重量反馈）。

  6. 代码未 release 的工程评估风险
    项目网站 push-wiper.github.io 已上线，但代码未公开。这意味着：Diffusion Policy 训练细节不可考、ASPI 实现不可查、force controller 超参不在文中。建议：在代码 release 前不进行生产级集成；若有合作渠道，可通过项目网站联系作者获取 pre-release 代码做联合验证。

⚠️ 注意：IROS 2026 论文，代码和详细实验数据待官方 release。建议关注 push-wiper.github.io 获取最新资源。