DROP：基于在线规划的灵巧重定向

实现类人灵巧性是机器人领域的一项长期挑战，部分原因在于富接触系统规划与控制的复杂性。在强化学习 (RL) 中，一种流行的方法是使用大规模并行、域随机化的仿真，在大量接触条件下离线学习策略，从而实现稳健的 sim-to-real 迁移。受实时并行仿真最新进展的启发，本工作转而通过研究著名的握持立方体重定向任务，探讨在线规划方法在富接触操作中的可行性。我们提出了一种简单的架构，采用基于采样的预测控制器和基于视觉的位姿估计器来在线搜索富接触控制动作。我们进行了全面的实验，以评估我们方法在真实世界中的性能、架构设计选择以及稳健性的关键因素，结果表明我们简单的基于采样的方法实现了与先前基于 RL 的工作相当的性能。补充材料：https://caltech-amber.github.io/drop。