基于学习的协作式机器人纸质包装：统一控制策略与残差力控制
机器人学
2025-11-06 v1 机器学习
摘要
人机协作在仓库和零售店等环境中至关重要，因而 workers 常需处理如纸张、袋子和纺织品等可变形物体。由于可变形材料的不可预测动力学以及对自适应力控制的需求，机器人动作与人类协助的协调仍然困难。为探索这一挑战，我们聚焦礼物包装任务，这一任务体现了长时序操控问题，涉及精确折叠、受控褶皱和牢固固定纸张。成功的标准在于机器人完成整个包装序列，使包装整齐、折痕清晰且无撕裂。我们提出一种基于学习的框架，将由大型语言模型(LLM)驱动的高层任务规划器与低层混合模仿学习(IL)和强化学习(RL)策略相结合。其核心是子任务感知机器人变换器(START)，从人类演示中学习统一策略。本方法的关键创新在于在单个模型中捕获整个包装序列中跨越长程的时间依赖性。与通常用于短时序任务的标准动作块分解(ACT)方法不同，我们引入子任务ID，提供显式的时间定位，使整个包装过程性能力更稳健，支持灵活执行，因为策略学习子目标而非仅复制运动序列。该框架在真实包装任务中实现了97%的成功率。我们展示，统一的变换器基策略减少了专用模型的需求，允许受控的人类监督，并有效地将高层意图与对可变形物体操控所需的细粒度力控制相结合。
引用
@article{arxiv.2511.03181,
title = {Learning-based Cooperative Robotic Paper Wrapping: A Unified Control Policy with Residual Force Control},
author = {Rewida Ali and Cristian C. Beltran-Hernandez and Weiwei Wan and Kensuke Harada},
journal= {arXiv preprint arXiv:2511.03181},
year = {2025}
}