学习高自由度抓取与抓取的跨手策略

抓取与抓取是机器人操作的一项基本技能，但现有方法通常在特定夹持器上训练模型，无法复用于另一夹持器。本文提出了一种新颖方法，可以学习一个统一的策略模型，该模型能轻松迁移到不同的灵巧手。我们的方法包含两个阶段：一个与夹持器无关的策略模型，用于预测夹持器上预定义关键点的位移；以及一个与夹持器相关的适配模型，将这些位移转化为控制夹持器关节的调整量。夹持器状态以及与物体的交互在手指层面使用鲁棒的几何表示进行捕捉，并与基于Transformer的网络集成，以应对夹持器形态和几何形状的变化。在实验中，我们在多个灵巧手和多样化的物体上评估了本文方法，结果表明本文方法显著优于基线方法。作为跨灵巧手迁移抓取策略的开创性工作，本文方法有效地展示了其为各种机器人手学习可泛化、可迁移操作技能的潜力。