基于触觉插入的极值寻求控制振动

当人类执行复杂插入任务时，例如将杯子推入柜子、路由电缆或将钥匙插入锁中，他们会振动物体并通过触觉反馈来调整过程。类似的机器人方法尚未Develop。我们研究了一种极值寻求控制法，通过振动末端执行器姿态来最大化插入深度，同时最小化由 GelSight Mini 传感器测量的应变。对四把具有复杂几何形状的钥匙和五个具有基本几何形状的装配任务进行评估。在钥匙上，该算法在进行 6 自由度扰动的 120 次试验中实现了 71% 的成功率，在进行 1 自由度扰动的 240 次试验中实现了 84% 的成功率，在进行视觉初始化的 40 次试验中实现了 75% 的成功率。该算法显著优于采用随机抽样取代振动的基线优化器 CMA-ES。当在具有基本几何形状的状态-of-the-art 装配基准上进行测试时，它在进行 50 次视觉初始化试验中实现了 98% 的成功率。该基准最相似的基线（在物体上进行训练）实现了 86% 的成功率。这些结果在无需接触建模或学习的情况下，表明基于触觉反馈的闭环振动是机器人插入的一种稳健范式。