基于学习的移动操作臂基座姿态序列规划：针对提取任务

在许多应用中，移动操作臂机器人需要从空间中分布的多个物体中抓取这些物体。单一基座姿态可能无法实现，机器人必须规划基座姿态序列以抓取所有物体，并最小化总导航与抓取时间。这是一个组合优化问题，可使用精确方法求解——提供最优解但计算昂贵——或近似方法求解——提供计算高效但次优解。近期研究表明，学习方法可解决组合优化问题，提供接近最优且计算高效的解决方案。本文提出BASENET——一种用于规划机器人抓取场景中所有物体基座姿态序列的学习方法。我们提出基于强化学习的解决方案，通过分层学习学习抓取单个物体的基座姿态以及物体应被抓取的顺序，以最小化总导航与抓取成本。由于该问题状态与动作数量可变，我们将状态与动作表示为图结构，并使用图神经网络进行学习。我们展示，该方法可产生与精确方法和近似方法相当的解决方案，同时显著降低计算时间。