自适应扩散约束抽样用于双臂机器人操控
机器人学
2026-02-26 v5
摘要
协调的多臂操控需要在高维配置空间中满足多个同时几何约束，这是传统规划和控制方法面临的重大挑战。本文提出了自适应扩散约束抽样（ADCS），一种生成式框架，灵活地将等式约束（如相对和绝对姿态约束）和结构化不等式约束（如靠近物体表面）集成到基于能量的扩散模型中。等式约束使用专用的能量网络在 Lie 代数空间中建模，以姿态差为依据；而不等式约束通过符号距离函数（SDF）表示，并编码为学习约束嵌入，使模型能够推理复杂的空间区域。我们方法的关键创新是采用基于 Transformer 的架构，在推理时学习约束特定能量函数的加权，实现灵活且情境感知的约束集成。此外，我们采用两阶段抽样策略，通过结合 Langevin 动力学、抽样和密度感知重新加权来提高精度和样本多样性。实验结果表明，在双臂操控任务上，ADCS 在需要精确协调和自适应约束处理的场景中显著提高了样本多样性和泛化能力。
引用
@article{arxiv.2505.13667,
title = {Adaptive Diffusion Constrained Sampling for Bimanual Robot Manipulation},
author = {Haolei Tong and Yuezhe Zhang and Sophie Lueth and Georgia Chalvatzaki},
journal= {arXiv preprint arXiv:2505.13667},
year = {2026}
}
备注
Accepted by IEEE International Conference on Robotics and Automation 2026(ICRA 2026)