学习双机械臂协调抓取大平面物体
机器人学
2025-04-07 v1 机器学习
摘要
抓取大平面物体（如水平放置的书籍或键盘）对单臂机器人系统构成重大挑战，通常需要额外动作，如将物体推向墙壁或移至表面边缘以便抓取。相比之下，受人类灵巧性启发的双臂操作通过直接协调双臂来抬起和抓取物体，无需复杂的重新定位，提供了更精细的解决方案。本文提出了一种无模型的深度强化学习（DRL）框架，用于实现双机械臂协调抓取大平面物体。我们利用大规模抓取姿态检测模型作为骨干，从输入图像中提取高维特征，然后将其用作强化学习（RL）模型中的状态表示。采用基于CNN的、具有共享Actor-Critic层的近端策略优化（PPO）算法来学习协调的双臂抓取动作。该系统在Isaac Gym中训练和测试，并部署到真实机器人上。实验结果表明，我们的策略能够有效抓取大平面物体，无需额外操作。此外，该策略表现出强大的泛化能力，成功处理未见过的物体。重要的是，它可以直接迁移到真实机器人而无需微调，始终优于基线方法。
引用
@article{arxiv.2504.03500,
title = {Learning Dual-Arm Coordination for Grasping Large Flat Objects},
author = {Yongliang Wang and Hamidreza Kasaei},
journal= {arXiv preprint arXiv:2504.03500},
year = {2025}
}