面向多样化机器人系统与传感器的基于场的灵活策略学习框架
机器人学
2025-12-23 v1
摘要
我们提出了一个跨机器人视觉运动学习框架，将基于扩散的策略控制与D3Fields提供的3D语义场景表示相结合，以实现操作的类别级泛化。该框架采用模块化设计，支持多种机器人摄像头配置，包括配备Microsoft Azure Kinect的UR5机械臂以及配备Intel RealSense的双手操作机械臂，通过低延迟控制堆栈和直观的遥控操作。统一的配置层 enables seamless switching between setups for flexible data collection training and evaluation。在抓取和提升积木任务中，该框架仅通过100个演示剧集即可实现80%的成功率，证明了平台和感知模态之间的稳健技能迁移。该设计为跨机器人泛化的大规模现实世界研究铺平了道路。
引用
@article{arxiv.2512.19148,
title = {A Flexible Field-Based Policy Learning Framework for Diverse Robotic Systems and Sensors},
author = {Jose Gustavo Buenaventura Carreon and Floris Erich and Roman Mykhailyshyn and Tomohiro Motoda and Ryo Hanai and Yukiyasu Domae},
journal= {arXiv preprint arXiv:2512.19148},
year = {2025}
}
备注
6 pages, 7 figures, conference: SII 2026. Cancun, Mexico