从单次示教中学习自适应灵巧抓取
机器人学
2025-08-12 v2 人工智能
机器学习
摘要
如何让机器人高效地学习灵巧抓取技能,并根据用户指令自适应地应用这些技能?本研究针对两个关键挑战:从有限的人类示教中高效获取技能,以及基于上下文进行技能选择。我们提出了 AdaDexGrasp 框架,该框架从每个技能的单一人类示教中学习抓取技能库,并利用视觉-语言模型(VLM)选取最合适的技能。为提高样本效率,我们提出了一种轨迹跟随奖励函数,在允许灵活探索的同时,引导强化学习(RL)向接近人类示教的状态收敛。为突破单一示教的局限,我们采用课程学习,逐步增加物体位姿的变化以增强鲁棒性。在部署阶段,VLM 根据用户指令检索相应的技能,从而在底层习得技能与高层意图之间架起桥梁。我们在仿真与真实环境中对 AdaDexGrasp 进行了评估,结果表明该方法显著提升了 RL 效率,并能在多种物体构型下学习类人的抓取策略。最后,我们将所学策略零样本迁移到真实世界的 PSYONIC Ability Hand,在不同物体上取得了 90% 的成功率,显著优于基线方法。
引用
@article{arxiv.2503.20208,
title = {Learning Adaptive Dexterous Grasping from Single Demonstrations},
author = {Liangzhi Shi and Yulin Liu and Lingqi Zeng and Bo Ai and Zhengdong Hong and Hao Su},
journal= {arXiv preprint arXiv:2503.20208},
year = {2025}
}