基于持续同调引导蒙特卡洛树搜索的高效鲁棒非抓取式操作
机器人学
2024-02-07 v3
摘要
在真实工作空间中执行物体检索必须应对包括不确定性与杂乱在内的挑战。一种选择是应用抓取式操作，这在高度杂乱场景中可能耗时。另一方面，非抓取式动作，例如同时推动多个物体，可帮助快速清理杂乱工作空间并检索目标物体。然而，此类动作也可能导致不确定性增加，因为难以估计推动操作的结果。本工作提出的框架集成了拓扑工具与蒙特卡洛树搜索(MCTS)，以实现高效且鲁棒的推动式物体检索。它采用持续同调自动识别可处理的阻挡物体簇，无需手动调节超参数。随后，MCTS 利用该信息探索可行的群体推动动作，旨在最小化清理至目标物体路径所需操作数。使用 Baxter 机器人的真实世界实验（其驱动存在一定噪声）表明，所提框架在稠密杂乱中解决检索任务的成功率高于替代方法。此外，它用较少推动动作生成解，改善了整体执行时间。更关键的是，它足够鲁棒，允许离线规划动作序列并在 Baxter 机器人上可靠执行。
引用
@article{arxiv.2210.01283,
title = {Effective and Robust Non-Prehensile Manipulation via Persistent Homology Guided Monte-Carlo Tree Search},
author = {Ewerton R. Vieira and Kai Gao and Daniel Nakhimovich and Kostas E. Bekris and Jingjin Yu},
journal= {arXiv preprint arXiv:2210.01283},
year = {2024}
}