在不确定性下学习高精度接触式操作的混合控制策略
机器人学
2026-04-22 v1 人工智能
机器学习
摘要
基于强化学习的控制策略已被证明在许多操作任务中比解析技术更有效。通常，这些方法学习直接从观测状态信息预测末端执行器位姿变化的神经控制策略。对于插入精密连接器等产生力约束的任务，基于位姿的策略对力缺乏显式控制，并依赖精心调整的低级控制器来避免执行破坏性动作。在这项工作中，我们提出了混合位置-力控制策略，该策略学习在每个控制维度上动态选择使用力控制还是位置控制。为了提高这些策略的学习效率，我们引入了用于接触处理的模式感知训练（MATCH），它调整策略动作概率以显式反映混合控制中的模式选择行为。我们在极端定位不确定性下使用易碎轴孔装配任务验证了MATCH所学策略的有效性。我们发现MATCH显著优于位姿控制策略——在常见状态估计误差类型下，与仅位姿策略相比，成功率提高达10%，轴断裂减少5倍。尽管在更大、更复杂的动作空间中学习，MATCH也展现出与位姿控制策略同等的数据效率。在超过1600次仿真到真实实验中，我们发现MATCH在高噪声设置下的成功率是位姿策略的两倍（33%对68%），并且在实验室条件下，与Franka FR3上的变阻抗策略相比，平均施加的力减少约30%。
引用
@article{arxiv.2604.19677,
title = {Learning Hybrid-Control Policies for High-Precision In-Contact Manipulation Under Uncertainty},
author = {Hunter L. Brown and Geoffrey Hollinger and Stefan Lee},
journal= {arXiv preprint arXiv:2604.19677},
year = {2026}
}