SafeBimanual：基于扩散模型的安全双手操纵轨迹优化
人机交互
2025-11-24 v3
摘要
双手操纵在家庭服务和制造业中得到广泛应用，能够实现具有协作要求的复杂任务。最近的基于扩散的策略学习方法在建模双手操纵动作分布方面取得了令人鼓舞的性能，但忽略了双手操纵的物理安全约束，导致出现危险行为，可能损坏机器人和物体。为此，我们提出一种名为SafeBimanual的测试时轨迹优化框架，可应用于任何预训练的基于扩散的双手操纵策略，通过对双手动作施加安全约束来避免危险的机器人行为，从而提高成功率。具体而言，我们设计了针对不同双臂协作模式的多样化代价函数，包括防止撕裂物体和臂部与物体碰撞，以引导扩散去噪过程的采样，优化操纵器的轨迹。此外，我们采用视觉语言模型（VLM）来调度代价函数，通过指定关键点和相应的配对关系，使整个双手操纵过程中动态生成最优安全约束。SafeBimanual在RoboTwin上的8个模拟任务中表现突出，成功率提高13.7%，不安全交互减少18.8%，显著优于最先进的基于扩散的方法。对4个真实世界任务的大量实验进一步验证了其实际价值，通过提高32.5%的成功率。
引用
@article{arxiv.2508.18267,
title = {From Checking to Sensemaking: A Caregiver-in-the-Loop Framework for AI-Assisted Task Verification in Dementia Care},
author = {Joy Lai and Kelly Beaton and David Black and Bing Ye and Alex Mihailidis},
journal= {arXiv preprint arXiv:2508.18267},
year = {2025}
}