失败预测提升仿真到现实中节奏性插入策略的鲁棒性
机器人学
2025-07-10 v1 人工智能
摘要
本文解决了节奏性插入任务（RIT）的挑战，其中机器人必须反复执行高精度插入操作，例如使用扳手将螺母拧入螺栓。RIT 的内在难度在于实现毫米级精度并在多个重复操作中保持一致的性能，尤其当螺母旋转和摩擦引入额外复杂性时。我们提出了一个仿真到现实的框架，将基于强化学习的插入策略与失败预测模块集成。通过将扳手的姿态表示为螺母坐标系而非机器人坐标系，我们的方法显著增强了仿真到现实的可转移性。在仿真中训练的插入策略利用实时 6D 位姿跟踪执行精确的对齐、插入和旋转动作。同时，神经网络预测潜在的执行失败，触发简单的恢复机制以抬起扳手并重试插入。广泛的仿真和现实环境实验表明，我们的方法不仅实现了高成功率，还在长期周期性任务中稳健地维持了性能。
引用
@article{arxiv.2507.06519,
title = {Failure Forecasting Boosts Robustness of Sim2Real Rhythmic Insertion Policies},
author = {Yuhan Liu and Xinyu Zhang and Haonan Chang and Abdeslam Boularias},
journal= {arXiv preprint arXiv:2507.06519},
year = {2025}
}
备注
Accepted at IROS2025. Project website: https://jaysparrow.github.io/rit