在杂乱场景中利用基于位置的注意力学习目标导向的物体推动

在典型抓取放置技术不足的复杂场景中，非抓取操作通常能确保机器人完成任务。然而，非抓取操作因其欠驱动特性和混合动力学而具有挑战性，机器人需要推理物体的长期行为和接触切换，同时对接触不确定性具有鲁棒性。工作空间中的杂乱进一步复杂化了该任务，需要引入更高级的空间分析以避免不必要的碰撞。基于先前关于平面推动的强化学习与多模态分类探索的工作，我们提出结合基于位置的注意力，以实现杂乱场景中的鲁棒操作。与之前解决避障推动任务的方法不同，我们的框架不需要预定义全局路径，并考虑了被操作物体的期望目标方向。仿真以及使用真实 KUKA iiwa 机器人臂的实验结果表明，我们的学习策略成功操作物体，同时避免与复杂障碍物配置（包括动态障碍物）碰撞，以达到期望的目标位姿。