可变长度工具操控的自适应逆运动学框架
机器人学
2025-10-31 v1 人工智能
机器学习
摘要
传统机器人仅具备有限的运动学理解，局限于预编程任务，阻碍其有效利用工具。驱动工具使用的关键组件——抓取期望结果、选择最合适的工具、确定最佳工具姿态以及执行精确操控——我们引入了一个开创性框架。我们的新方法扩展了机器人逆运动学求解器的能力，使其能够获取一系列使用不同长度工具的动作。通过将仿真学习的动作轨迹与工具集成，我们通过全面实验展示了从仿真到真实世界技能迁移的实用性。值得注意的是，我们扩展的逆运动学求解器显示出小于1厘米的惊人误差率。此外，我们训练的策略在仿真中的平均误差为8厘米。值得注意的是，本模型在使用两种不同长度的工具时，几乎无法区分地实现了相同性能。这项研究表明，探索工具使用的四个基本方面具有潜在的进展，使机器人能够跨越 diverse 任务掌握工具操控的精妙艺术。
引用
@article{arxiv.2510.26551,
title = {Adaptive Inverse Kinematics Framework for Learning Variable-Length Tool Manipulation in Robotics},
author = {Prathamesh Kothavale and Sravani Boddepalli},
journal= {arXiv preprint arXiv:2510.26551},
year = {2025}
}
备注
10 pages, 5 figures. Demonstrates a reinforcement learning framework for adaptive tool manipulation with variable-length extensions