迭代残差策略：面向可变形物体的目标条件动态操控
机器人学
2022-04-25 v2
摘要
本文致力于解决可变形物体的目标条件动态操控任务。由于复杂的动力学特性（由物体形变与高速动作引入）以及严格的任务要求（由精确的目标规范定义），该任务极具挑战性。为了应对这些挑战，我们提出了迭代残差策略（IRP），这是一种适用于具有复杂动力学特性的可重复任务的通用学习框架。IRP 通过增量动力学学习隐式策略——IRP 不对整个动力学系统进行建模并从中推断动作，而是学习增量动力学，以预测增量动作对先前观测轨迹的影响。结合自适应动作采样，系统能够在线快速优化其动作以达到指定目标。我们在两项任务上展示了 IRP 的有效性：挥动绳索击中目标点，以及挥动布料以达到目标姿态。尽管仅在固定机器人设置的仿真环境中进行训练，IRP 仍能高效泛化至含噪声的真实世界动力学、具有未见物理属性的新物体，甚至不同的机器人硬件实体，展现了其相较于其他替代方法的出色泛化能力。视频见 https://youtu.be/7h3SZ3La-oA
引用
@article{arxiv.2203.00663,
title = {Iterative Residual Policy: for Goal-Conditioned Dynamic Manipulation of Deformable Objects},
author = {Cheng Chi and Benjamin Burchfiel and Eric Cousineau and Siyuan Feng and Shuran Song},
journal= {arXiv preprint arXiv:2203.00663},
year = {2022}
}