ARCH：面向长时程富接触机器人装配的分层混合学习
机器人学
2025-09-09 v2
摘要
可泛化的长时程机器人装配需要在多个抽象层级上进行推理。虽然端到端模仿学习（IL）是一种很有前景的方法，但通常需要大量专家演示数据，且往往难以达到装配任务所要求的高精度。另一方面，强化学习（RL）方法在高精度装配中取得了一定成功，但存在样本效率低下的问题，这限制了其在长时程任务中的有效性。为了应对这些挑战，我们提出了一种分层模块化方法，命名为自适应机器人组合层次结构（ARCH），该方法能够在富接触环境中实现长时程、高精度的机器人装配。ARCH 采用分层规划框架，包含参数化技能的低级基元库和高级策略。低级基元库包含装配任务的基本技能，如抓取和插入。这些基元由 RL 和基于模型的策略组成。高级策略通过少量演示（无需遥操作）利用 IL 学习获得，用于选择合适的基元技能并用输入参数对其进行实例化。我们在仿真和真实机器人操作平台上对该方法进行了广泛评估。结果表明，ARCH 对未见物体具有良好的泛化能力，并在成功率和数据效率上优于基线方法。更多详情请访问：https://long-horizon-assembly.github.io。
引用
@article{arxiv.2409.16451,
title = {ARCH: Hierarchical Hybrid Learning for Long-Horizon Contact-Rich Robotic Assembly},
author = {Jiankai Sun and Aidan Curtis and Yang You and Yan Xu and Michael Koehle and Qianzhong Chen and Suning Huang and Leonidas Guibas and Sachin Chitta and Mac Schwager and Hui Li},
journal= {arXiv preprint arXiv:2409.16451},
year = {2025}
}
备注
The Conference on Robot Learning (CoRL) 2025