面向不确定动力学的台面平推模型基自适应精度控制

数据驱动的平推方法最近因减少手动工程工作量和提高泛化性而受到关注，但大多数先前工作针对狭窄的能力（例如侧向切换、精度或单任务训练），限制了更广泛的适用性。我们提出了一个基于模型的框架，用于非抓取的台面平推，该框架使用单个学习模型来解决多个任务而无需重新训练。我们的方法采用额外的非线性层的循环GRU架构，以捕获物体-环境动力学，同时确保稳定性。量身定制的状态-动作表示使模型能够在不确定的动力学、可变推长度和多样化任务之间获得概括。对于控制，我们将所学习的动力学与基于抽样的模型预测路径积分（MPPI）控制器集成，后者生成自适应的、以任务为导向的动作。该框架支持侧向切换、可变长度推进以及精确定位、轨迹跟踪和障碍规避等目标。通过在仿真中进行训练并采用域随机化以支持仿真到现实的迁移。我们首先通过消除实验表明该架构在预测精度和稳定滚动方面取得了改进。随后，我们在仿真和实际实验中验证了完整系统，使用Franka Panda机器人配合无标记跟踪。结果显示，在严格阈值下实现高成功率的精确定位，并在轨迹跟踪和障碍规避方面表现出色。此外，只需更改控制器的目标函数即可解决多个任务，而无需重新训练。虽然当前的焦点是单一物体类型，但我们通过训练更广泛的推送长度并设计平衡控制器以减少更长时段目标的步骤数来扩展该框架。