用于鲁棒且适应性强的轴孔装配任务的基于上下文的元强化学习
机器人学
2025-10-21 v4
摘要
自主装配是工业和服务机器人的核心能力，其中轴孔插入是最关键的任务之一。然而，由于传感器噪声导致的孔位与姿态等任务参数的不确定性，在未知环境中的轴孔装配仍具挑战性。尽管基于上下文的元强化学习（RL）方法此前已被用于适应轴孔装配任务中的未知任务参数，但其性能依赖于样本低效的过程或人类演示。因此，为了提升元 RL 在真实轴孔装配任务中的适用性，我们提出训练智能体使用来自机器人正向运动学和未校准相机的信息。此外，我们通过使元训练后的智能体高效适应并使用力/力矩传感器数据来提升性能。最后，我们针对参数与训练任务不同的分布外任务提出了一种适应过程。在模拟和真实机器人上的实验证明，与先前方法相比，我们的修改提升了元训练期间的样本效率、真实世界适应性能以及基于上下文的元 RL 智能体在轴孔装配任务中的泛化能力。
引用
@article{arxiv.2409.16208,
title = {Context-Based Meta Reinforcement Learning for Robust and Adaptable Peg-in-Hole Assembly Tasks},
author = {Ahmed Shokry and Walid Gomaa and Tobias Zaenker and Murad Dawood and Rohit Menon and Shady A. Maged and Mohammed I. Awad and Maren Bennewitz},
journal= {arXiv preprint arXiv:2409.16208},
year = {2025}
}