用于密集环境顺序操纵的目感空间推理学习

在密集环境中的机器人操纵是自动化的一个关键挑战。最近的大规模端到端模型展现了惊人的能力，但往往缺乏从密集 clutter 中检索目标所需的数据效率和模块化。本文我们认为，采用专业的、解耦的系统范式是合理的，并提出Unveiler框架，显式地将高层空间推理与低层动作执行分离。Unveiler的核心是一个轻量级的基于Transformer的空间关系编码器（Spatial Relationship Encoder, SRE），其顺序识别最关键的障碍物以供移除。这种离散决策随后传递给一个旋转不变的动作解码器进行执行。我们展示，该解耦架构不仅在参数数量和推理时间方面更具计算效率，而且在从密集 clutter 中检索目标方面显著优于经典端到端策略和现代大型模型基准。在SRE的训练中采用两种阶段：仿造学习从启发式演示中提供样本高效初始化，随后采用PPO微调，使策略能够发现超越启发式方法的移除策略，以应对密集 clutter。我们的结果在部分遮挡场景下实现最高达97.6%的成功率，在完全遮挡场景下达90.0%的成功率，证明了在复杂操纵任务中专业的、以对象为中心的推理的强大能力。此外，我们展示SRE的空间推理能够零样本地迁移到真实场景，并在物理机器人上验证了整个系统，只需几何工作空间校准即可——无需重新训练任何已学习组件。