基于演示学习的空中机器人灵活拉伸抓握

在树木、梁体和台阶等结构上抓握是延长空中机器人耐用性的 essential 手段，通过启用在待机或观察模式下的能源 conservation。 tethered tensile perching mechanism 提供了一个简单、灵活的解决方案，可 retrofitted 现有机器人，并适用于各种尺寸和形状的结构。然而，tethered tensile perching 引入了显著的建模挑战，需要精确管理空中机器人的动力学，包括 tether slack & tension 以及动量传递的情况。通过 targeting 特定的 tether 片段来实现平滑包装和可靠锚定，进一步增加了复杂度。在本工作中，我们提出了一种 novel 的轨迹框架用于 tethered tensile perching，利用通过演示获得的 Soft Actor-Critic（SACfD）算法进行强化学习。通过纳入 optimal 和 suboptimal demonstrations，我们的方法提高了训练效率和响应性，实现了对位置和速度的精确控制。该框架使空中机器人能够准确 targeting 特定的 tether 片段，从而实现可靠的包装和安全锚定。我们通过大量仿真和 real-world 实验验证了该框架的有效性，并展示了其在实现灵活可靠的 tensile perching 轨迹生成方面的效果。