DRAPER：面向准静态抓取-放置布料形状神经控制器的稳健机器人部署与可靠评估

在真实世界环境中比较机器人布料操控系统具有挑战性。模拟训练的布料神经控制器与真实操作之间的保真度差距阻碍了这些方法在物理试验中的可靠部署。不同方法中不一致的实验 setup 和硬件限制阻碍了客观评估。本研究在不同材料、尺寸和颜色的布料上，对flattening 和 folding任务进行了不同模拟训练神经控制器的真实世界比较。我们引入DRAPER框架以实现这一全面研究，该框架可可靠地反映这些神经控制器的真实能力。该框架特别通过对模拟环境的真实世界适应来解决真实世界抓取误差问题，如误抓和多层抓取，提供数据轨迹以贴近真实世界抓取场景。它还采用一套特殊的视觉处理技术以弥合仿真到现实的感知鸿沟。此外，它通过采用夹爪延伸的夹具和抓取程序来实现稳健抓取。我们展示了DRAPER在不同深度学习方法和机器人平台上的通用性，为布料操控研究社区提供了宝贵的见解。