机器人空气曲棍球中基于距离蒸馏的接触计划快速轨迹优化

通过接触实现机器人控制具有挑战性，因为需要跨越长时间范围并处理离散系统动力学。高度动态的任务（如空气曲棍球）还需要灵活行为，使得相应的最优控制问题在实时规划中难以可行。基于学习的方法通过将计算密集的接触推理从离线学习阶段迁移到在线来解决此问题。然而，在接近运动约束的条件下学习低层电机策略可能具有挑战性。本文探索了将蒸馏出的随机最优控制策略用于高层接触计划，以及用于在线模型预测控制的低层受约束运动计划相结合的方法。我们的系统通过利用 bank shots 和机器人的运动学结构，学习在击球精度和 puck 速度之间进行权衡。我们表明，所提出的框架在模拟和真实世界的机器人空气曲棍球游戏中均优于纯控制方法和纯学习方法。