DeRi-Bot：通过学习可变形物体实现对刚体的协同操控
机器人学
2025-02-11 v2
摘要
近期的研究在同类设定下的物体操控方面取得了显著进展，即机器人被要求操控刚性或可变形的（软）物体。然而，涉及刚性与一维（1D）可变形物体异构组合的操控设定仍是未探索的研究领域。此类设定常见于通过绳索运输重物的多种场景，例如工厂车间、灾害现场和林业中。为应对这一挑战，我们提出 DeRi-Bot，首个实现借助可变形物体对刚体进行协同操控的框架。我们的框架由动作预测网络（APN）和构型预测网络（CPN）组成，以建模软-刚体系统的复杂模式与随机性。我们展示了 DeRi-Bot 在通过连接机械臂的绳索将刚体移至目标位置的有效性。此外，DeRi-Bot 是一种分布式方法，可适应任意数量的机器人或人类伙伴而无需重新配置或重新训练。我们在仿真与真实环境中评估了该框架，结果表明其在不同物体类型和多智能体设定（包括人机协作）下均展现出良好的泛化性能。
引用
@article{arxiv.2305.13183,
title = {DeRi-Bot: Learning to Collaboratively Manipulate Rigid Objects via Deformable Objects},
author = {Zixing Wang and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2305.13183},
year = {2025}
}
备注
This paper has been accepted by IEEE RA-L