DualLQR：用于振荡苹果的高效抓取——基于任务参数化学习从演示中学习
机器人学
2025-05-22 v3
摘要
学习从演示（Learning from Demonstration）为机器人执行农业任务具有巨大的潜力，尤其是选择性采收。一个挑战是目标水果在接近时可能处于振荡状态。抓取振荡目标有两个要求：1）在最终接近期间跟随目标，以实现损伤自由的抓取；2）完整路径应尽可能短，以提高效率。我们提出了一种新方法，称为 DualLQR。在该方法中，我们对移动目标使用有限时域线性二次型调节器（LQR），无需重新拟合 LQR。为实现这一点，我们使用双 LQR 设置，两个独立的参考系中各运行一个 LQR。在大量仿真测试中发现，最新方法仅在无振荡情况下基本满足最终精度要求，而在有振荡目标时精度会低于要求。相比之下，DualLQR 能够即使在高振荡下也满足最终精度要求，并且路径最短。进一步的实际 apple 抓取任务测试表明，DualLQR 能够成功抓取振荡的苹果，成功率达99%。
引用
@article{arxiv.2409.16957,
title = {DualLQR: Efficient Grasping of Oscillating Apples using Task Parameterized Learning from Demonstration},
author = {Robert van de Ven and Ard Nieuwenhuizen and Eldert J. van Henten and Gert Kootstra},
journal= {arXiv preprint arXiv:2409.16957},
year = {2025}
}
备注
Accepted to IAS-19 url: https://openreview.net/forum?id=vipwIaog1u