DA-MMP：基于动态感知运动流形原语的协调且精准的投掷学习

动态操作是推进机器人性能提升的关键能力，使其能够实现诸如投掷等技能。虽然近年来的基于学习的方法取得了进展，但大多数方法仍依赖人工设计的动作参数化，限制了其产生复杂任务所需高度协同运动的能力。运动规划能够生成可行轨迹，但由于控制不准确、接触不确定性和空气动力学效应等动态差距，往往导致计划轨迹与执行轨迹之间出现较大偏差。在本工作中，我们提出 Dynamics-Aware Motion Manifold Primitives (DA-MMP)，一种用于目标导向动态操作的运动生成框架，并在一个具有挑战性的实际环形投掷任务中实现其应用。我们的做法通过紧凑的参数化将运动流形原语扩展到可变长度轨迹，并从大规模计划运动数据集中学习高质量的流形。基于该流形，我们在潜空间中训练一个条件流匹配模型，以少量真实世界试验实现对执行动态的考虑，从而生成能够考虑执行动态的投掷轨迹。实验表明，我们的方法能够为环形投掷任务生成协调且平滑的运动轨迹。在实际评估中，它实现了高成功率，甚至超过了受训的人类专家。此外，它能够泛化到训练范围之外的新目标，表明它成功地学习了轨迹-动态映射。