BiKC+：基于关键位姿条件的协调感知一致性策略的双臂分层模仿学习

机器人因其可靠性和效率在工业制造中至关重要。它们擅长执行简单重复的单臂任务，但在双臂操作方面仍面临挑战。这一困难源于协调双臂和处理多阶段过程的复杂性。最近，将生成模型集成到模仿学习（IL）中已在解决特定挑战方面取得了进展。然而，很少有方法明确考虑双臂任务的多阶段性质，同时强调推理速度的重要性。在多阶段任务中，任何阶段的失败或延迟都可能随时间级联，影响后续子阶段的成功和效率，并最终阻碍整体任务性能。在本文中，我们提出了一种新颖的、专为双臂操作量身定制的关键位姿条件协调感知一致性策略。我们的框架实例化了分层模仿学习，包含一个高层关键位姿预测器和一个低层轨迹生成器。预测的关键位姿作为轨迹生成的子目标，指示各个子阶段的目标。轨迹生成器被构建为一个一致性模型，基于历史观测和预测的关键位姿在单次推理步骤中生成动作序列。特别地，我们设计了一种创新的双臂关键位姿识别方法，同时考虑了以机器人为中心的动作特征和以任务为中心的操作风格。仿真和真实世界实验表明，我们的方法在成功率和操作效率方面显著优于基线方法。实现代码可在 https://github.com/JoanaHXU/BiKC-plus 找到。