SUAT · EMI LAB / RESEARCH MAP
抓取成功不代表接触过程质量好。能否利用最近一段力、力矩和运动变化，在动作片段结束前预测接触不稳定的风险？
比较六类代价，检查候选路径。
判断精度、算力与数据生成成本。
用真实力觉轨迹训练独立 GRU。
LoRA + MLP 辅助头，离线评估。
我生成 Franka 候选轨迹、计算六类代价并训练神经网络排序器，用 GUI 展示抓取稳定性、应力与变形、平滑度、加速度、障碍物间距和路径长度。这是候选路径之间的相对比较，不是安全认证。
我试过简化物理指标、Isaac Lab/TacEx 和 MuJoCo 轨迹回放。但接触精度、数据生成速度和算力限制，使我难以在实习期间建立可信的新数据集，因此转向已有 ForceVLA 真实轨迹。
独立 GRU 实验使用五类任务的 244 条 inputForce 真实轨迹。在提前五步预测的设置下，AP 为 0.736，当前力值启发式为 0.571；报告记录了 20,475 个测试窗口。
随后在 ForceVLA 的 LoRA 训练中加入 MLP 辅助风险头。有限离线子集上，h=5 和 h=15 的 AUROC 分别为 0.759、0.748。标签来自力觉代理指标，尚未建立稳定的动作损失改善，也没有进行闭环 rollout。
Placement Interim Report · 第 2–6 页实习背景、个人工作和研究转向的原因。
Placement Review SUAT / Dobot v9 · 第 3–9 张后续实验结果及限制，与期中报告按阶段对照。
Temporal Force Risk Head — progress (fixed) · 第 1 张独立 GRU 对照实验；第 2 张的接入进展早于后续 review。