BiKC：基于关键姿态条件的双臂机器人操纵一致性策略

双臂操纵任务通常涉及多个阶段，需要两个臂部部件高效互动，为仿真学习系统提出了阶梯式和阶段性挑战。具体而言，一个步骤的失败或延迟会在时间上向后传播，阻碍每个子阶段任务的成功与效率，从而影响整体任务性能。尽管最近的研究在解决某些挑战方面取得了进展，但很少有方法明确考虑到双臂任务的多阶段性，同时强调推断速度的重要性。本文提出一种 novel keypose-conditioned consistency policy，用于双臂操纵。这是一种分层仿真学习框架，包含高层关键姿态预测器和低层轨迹生成器。预测的关键姿态为轨迹生成提供指导，并标志着一个子阶段任务的完成。轨迹生成器设计为一种从零训练的 consistency model，能够在当前观察和预测关键姿态的条件下生成动作序列，具备快速推断速度。仿真和实际实验结果表明，所提出的方法在成功率和操作效率方面均优于基线方法。代码已公开于 https://github.com/ManUtdMoon/BiKC。