面向不明对象多点接触抓取的学习型控制器

现有的抓取控制器要么仅支持指尖抓取，要么需要显式配置内力。我们提出一种新颖的抓取控制器，支持任意抓取类型，包括带多点接触的力学抓取，同时能在未遇到之前的对象上自主工作。无需详细的接触信息，仅需粗略的3D模型（如来自单张深度图的重建）。首先，利用关节测量的扭矩估计作用在物体上的外部力矩。随后，预测克服该力矩并保持物体初始姿态所需的扭矩。所需扭矩通过期望关节角度命令给底层关节级阻抗控制器。为实现实时性能，我们提出一种基于力矩估计器和扭矩预测神经网络的学习方法。这两个网络均采用监督方式训练，训练数据通过控制器的解析公式生成。在大规模仿真评估中，我们展示该控制器在施加最高10N外部力矩时，能维持83.1%抓取的稳定性；同时优于两个基准方法，因更高效且产生更少非本意的物体运动。最后，我们证明该控制器也能在实际的DLR-Hand II上工作，实现6ms的循环时间。