FeasibleCap：面向野生环境机器人演示收集的实时本体约束指导
机器人学
2026-03-10 v1
摘要
夹具-手持数据收集将演示获取与机器人硬件解耦，但轨迹是否在目标机器人上可执行直至独立的重放-验证阶段才可确定。因此，失败的演示通过反复收集、诊断和验证导致实际每条可用轨迹成本的增加。现有收集时反馈系统虽可缓解此问题，但依赖佩戴式AR/VR显示器、机器人-in-the-loop硬件或学习的动力学模型；实时可执行性反馈尚未集成到夹具-手持数据收集范式中。我们提出FeasibleCap—a种夹具-手持数据收集系统，使实时可执行性指导进入机器人-free捕获范式。每帧时，FeasibleCap检查可达性、关节速率限制和碰撞，针对目标机器人模型进行验证，并通过设备内可视化叠加和触觉提示实现闭环，使演示者在收集期间无需学习模型、无需佩戴头盔、无需机器人硬件即可纠正动作。在抓取-放置和抛掷任务上，FeasibleCap提升了重放成功率，降低了不可行帧的比例，尤其在抛掷任务中获得最大提升。仿真实验进一步表明，在收集期间强制执行可执行性约束并不损害跨本体平台的迁移能力。硬件设计和软件已在https://github.com/aod321/FeasibleCap上提供。
引用
@article{arxiv.2603.07580,
title = {FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection},
author = {Zi Yin and Fanhong Li and Yun Gui and Jia Liu},
journal= {arXiv preprint arXiv:2603.07580},
year = {2026}
}