在杂乱场景中学习目标导向的非抓取式推动

在杂乱场景中推动物体是一项具有挑战性的任务，特别是当被推物体的动力学起初未知，且必须避免触碰其他实体以降低损坏风险时。本文通过应用深度强化学习来为机器人操纵器生成推动动作以解决该问题，该操纵器在 planar 表面上作业，需将物体推至目标位置同时避开同一工作空间中的其他物品。利用从场景深度图像及其他环境观测（如末端执行器与物体的接触信息以及到目标的距离）中学习到的潜空间，我们的框架能够学习富含接触且避开与其他物体碰撞的推动动作。六自由度机械臂的实验结果表明，我们的系统能够成功将物体从起始位置推至终点位置，同时避开附近物体。此外，我们将所学策略与一种最先进的移动机器人推动控制器进行比较评估，并显示我们的智能体在成功率、与其他物体的碰撞以及连续物体接触等多项场景中表现更优。