基于量化手部状态的灵巧操作学习

灵巧机器人手部操作使机器人能够执行需要精细控制和适应性的复杂操作。实现此类操作具有挑战性，因为手部和机械臂的高自由度紧密耦合，使得学习和控制变得困难。成功的灵巧操作不仅依赖精确的手部动作，还依赖于精准的机械臂空间定位和协调的臂手动力学。然而，大多数现有的 visuomotor 策略将手臂和手部动作表示为单一的组合空间，往往导致高维手部动作主导耦合动作空间，妨碍臂部控制。为此，我们提出 DQ-RISE，通过量化手部状态简化手部运动预测，同时保持关键模式；并应用连续松弛，使臂动作能够与这些紧凑手部状态联合扩散。这种设计使策略能够从数据中学习臂手协同，同时防止手部动作主导动作空间。实验表明，DQ-RISE 实现了更均衡和更高效的学习，为结构化和可泛化的灵巧操作铺平了道路。项目网址：http://rise-policy.github.io/DQ-RISE/。