通过全臂策略学习的可变形簇操纵
机器人学
2025-12-24 v2 机器学习
摘要
操纵由可变形物体组成的簇子是一个具有广泛应用性的挑战，但需要接触丰富的全臂交互。潜在解决方案必须解决现实模型合成的有限容量、感知的高不确定性以及缺乏有效空间抽象等问题。我们提出了一种新型框架，用于学习无模型策略，集成两种模态：3D 点云和本体感知触觉指示器，强调以全身接触意识进行操纵，超越传统的末端执行器模式。我们的强化学习框架利用分布式状态表征，辅以核均值嵌入，以实现更高的训练效率和实时推理。此外，我们提出了一种新型的无上下文遮挡启发式方法，用于清除目标区域内的可变形物体以完成暴露任务。我们在电力线清除场景中部署该框架，观察到智能体生成利用多个臂链接进行遮挡解除的创造性策略。最后，我们进行零样本仿真到真实的策略迁移，使机臂能够清除具有未知遮挡模式、不可见拓扑和不确定动力学的真实树枝。网站：https://sites.google.com/view/dcmwap/
引用
@article{arxiv.2507.17085,
title = {Deformable Cluster Manipulation via Whole-Arm Policy Learning},
author = {Jayadeep Jacob and Wenzheng Zhang and Houston Warren and Paulo Borges and Tirthankar Bandyopadhyay and Fabio Ramos},
journal= {arXiv preprint arXiv:2507.17085},
year = {2025}
}