通过数据增强学习鲁棒的视觉-力量策略：面向对象装配任务的AugInsert

在结构化环境（如家庭）中运行的机器人策略需要对超出分布条件具备鲁棒性。尽管已有大量工作在视觉-运动策略上评估鲁棒性，但包含力-扭矩感知的多感官方法的鲁棒性评估仍寡言未涉足。本工作引入一种新颖的基于因素的评估框架，旨在评估多感官策略在插针-孔洞装配任务中的鲁棒性。为此，我们开发了利用Perceiver IO架构学习任务的多感官策略框架。我们研究哪些因素在对象装配中提出最大的泛化挑战，并探索一种简单的多感官数据增强技术以提升超出分布性能。我们提供了一个仿真环境，以受控方式评估这些因素。我们的结果揭示，诸如抓取姿态等多感官变数对鲁棒性提出最大挑战，针对每个感知模态独立应用朴素的单感官数据增强技术不足以克服这些挑战。此外，我们发现力-扭矩感知是本接触丰富型装配任务中最具信息性的感知模态，而视觉是最不信息性的。最后，我们简要讨论了支持实际实验结果的情况。有关其他实验和定性结果，请参阅项目网页 https://rpm-lab-umn.github.io/auginsert/。