HannesImitation：通过模仿学习使用 Hannes 假肢手进行抓取

假肢手控制的最新进展集中在通过使用相机和其他感官输入来提高自主性。这些系统旨在通过自动控制某些自由度来减少用户的认知负荷。在机器人学中，模仿学习已成为一种有前景的方法，用于学习抓取和复杂操作任务，同时简化数据收集。然而，其在假肢手控制中的应用在很大程度上仍未得到探索。弥合这一差距可以增强灵巧性恢复，并使假肢设备能够在更不受约束的场景中运行，在这些场景中，任务是通过演示学习，而不是依赖手动注释的序列。为此，我们提出了 HannesImitationPolicy，一种基于模仿学习的方法来控制 Hannes 假肢手，使其能够在非结构化环境中抓取物体。此外，我们引入了 HannesImitationDataset，其中包含在桌面、架子以及人-假肢交接场景中的抓取演示。我们利用这些数据训练一个单一的扩散策略，并将其部署在假肢手上，以预测用于抓取的手腕方向和手部闭合。实验评估表明，该方法能够在不同物体和条件下成功抓取。最后，我们展示了该策略在非结构化场景中优于基于分割的视觉伺服控制器。更多材料请参见我们的项目页面：https://hsp-iit.github.io/HannesImitation。