基于深度强化学习的机械臂控制与抓取行为模仿

现有的动作模仿模型通常需要通过动作捕捉设备获取专家数据，但所需的大量训练数据难以获得，需要投入大量的财力、人力和时间。本项目将 3D 人体姿态估计与强化学习相结合，提出了一种新模型，将动作模仿简化为强化学习中关节角度值的预测问题。这显著减少了对大量训练数据的依赖，使得智能体能够仅从几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。它能够快速将学到的策略应用于模仿陌生视频中的人类手臂动作。该模型首先使用 3D 人体姿态估计从给定视频中提取人类手臂的骨骼运动。然后将这些提取的手臂运动在形态上重定向到机器人机械臂上。随后，重定向后的运动被用于生成参考运动。最后，这些参考运动被用于构建强化学习问题，使智能体能够学习模仿人类手臂动作的策略。本项目在模仿任务中表现出色，并展示了稳健的可迁移性，能够准确地模仿其他陌生视频中的人类手臂动作。本项目提供了一个轻量、便捷、高效且准确的动作模仿模型。在简化动作模仿复杂过程的同时，取得了显著突出的性能。