基于模型的强化学习在数据效率方面的机器人物体投掷
机器人学
2025-02-11 v1
摘要
抓取与放置（Pick-and-Place, PnP）操作，涉及物体抓取和轨迹规划，是工业机器人应用中的基本任务。尽管该领域取得了许多进展，但 PnP 受限于工作空间限制，降低了灵活性。抓取投掷（Pick-and-Throw, PnT）是一种有前景的替代方案，其中机器人通过抛掘物体至目标位置，利用重力等外部资源以提高效率并扩大工作空间。然而，PnT 执行复杂，需要精确协调高速运动和物体动力学。针对 PnT 问题的解决方案可分为分析方法和学习方法。分析方法侧重于系统建模和轨迹生成，但耗时且泛化能力有限。学习方法，特别是基于模型的强化学习（Model-Based Reinforcement Learning, MBRL），提供了自动化和适应性，但需要大量交互时间。本文引入一种 Model-Based 强化学习（MBRL）框架，MC-PILOT，结合数据驱动建模与策略优化，用于高效和准确的 PnT 任务。MC-PILOT 考虑模型不确定性和释放误差，在仿真和真实世界测试中表现优异，实验使用 Franka Emika Panda 机械臂。该方法对新目标具有快速泛化能力，优于分析方法和基于模型的强化学习方法。
引用
@article{arxiv.2502.05595,
title = {Data efficient Robotic Object Throwing with Model-Based Reinforcement Learning},
author = {Niccolò Turcato and Giulio Giacomuzzo and Matteo Terreran and Davide Allegro and Ruggero Carli and Alberto Dalla Libera},
journal= {arXiv preprint arXiv:2502.05595},
year = {2025}
}
备注
Preprint under review