Histogram Transporter：用于高精度机器人装配的旋转等变 orientation 直方图学习

机器人装配是工业自动化中的关键任务，需要将对象精确排列到套件中以支持下游生产流程。然而，处理涉及细粒度姿态对齐的复杂装配任务时，现有方法往往受限于精度和计算效率。为此，我们提出了 Histogram Transporter，一种从零开始仅通过少量演示学习高精度抓取和放置动作的新方法。首先，我们的方法利用高效的 Fourier 基于离散策略，从视觉观察中提取旋转等变 orientation 直方图（EOHs）。这些 EOHs 双重用途：通过直接建模高分辨率姿态上的动作成功概率来提高抓取效率，同时作为局部、判别性特征描述符用于对象到放置位置的匹配，以增强放置精度。其次，我们在放置模型中引入子群对齐策略，将 EOHs 的完整频谱压缩为紧凑的姿态表示，实现高效特征匹配，同时保持精度。最后，我们在模拟 Hand-Tool Kitting Dataset（HTKD）上评估了所提框架，在成功率和计算效率方面均优于竞争基准。进一步的实验在五个 Raven-10 任务上表现出所提方法的显著可适应性，实际机器人试验确认了其在实际部署中的适用性。