基于仿真信息的任务导向抓取中采用伯努利交替核的全局搜索

我们开发了一种方法，该方法受益于大规模仿真数据集，并充分利用最相关的有限在线数据。我们提出了一种贝叶斯优化的变体，它在有信息核与无信息核之间交替使用。借助这种伯努利交替核（Bernoulli Alternation Kernel），我们确保仿真与现实之间的差异不会阻碍机器人控制策略的在线调整。所提出的方法被应用于一个具有挑战性的真实世界问题：针对新颖物体的任务导向抓取。我们的另一贡献是一个神经网络架构及训练流程，其利用仿真中抓取物体的经验来学习抓取稳定性分数。我们通过卷积网络从带标签的数据集学习任务分数，并用于为我们的贝叶斯优化变体构建有信息核。在配备真实传感器数据的 ABB Yumi 机器人上的实验证明了我们方法的成功，尽管存在满足任务要求以及物体物理属性高不确定性的挑战。