推理阶段自适应投影策略使扩散策略适配跨操作器场景
摘要
扩散策略是强大的视觉运动模型，用于机器人操控，但它们通常无法泛化到训练期间未见过的操作器或末端执行器，并且难以在推理时适应新的任务需求。解决这一问题通常需要为每个新的硬件或任务配置进行昂贵的数据重新收集和策略重新训练。为了克服这一问题，我们提出了一种自适应投影策略，使扩散策略能够在推理时完全零样本适应新的操作器和动态任务设置，无需任何重新训练。我们的方法首先使用基础操作器的演示在 SE(3) 空间中训练扩散策略。在在线部署期间，它将策略生成的轨迹投影以满足新硬件和目标施加的运动学和任务特定约束。此外，该投影动态适应物理差异（例如，工具中心点偏移、夹爪宽度）和任务需求（例如，障碍物高度），确保鲁棒和成功的执行。我们在真实的拾取与放置、推送和倾倒任务上验证了我们的方法，涵盖多个操作器，包括 Franka Panda 和 Kuka iiwa 14，并配备了多样化的末端执行器，如柔性夹爪、Robotiq 2F/3F 夹爪和各种 3D 打印设计。我们的结果证明了在这些跨操作器场景中持续的高成功率，证明了我们的自适应投影策略的有效性和实用性。代码将在同行评审后发布。
引用
@article{arxiv.2509.11621,
title = {Inference-stage Adaptation-projection Strategy Adapts Diffusion Policy to Cross-manipulators Scenarios},
author = {Xiangtong Yao and Yirui Zhou and Yuan Meng and Yanwen Liu and Liangyu Dong and Zitao Zhang and Zhenshan Bing and Kai Huang and Fuchun Sun and Alois Knoll},
journal= {arXiv preprint arXiv:2509.11621},
year = {2025}
}
备注
2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works