弹性塑性可变形线性物体的形状控制学习

可变形物体操作任务长期以来被视为具有挑战性的机器人问题。然而，直到最近关于该主题的工作仍很少，大多数机器人操作方法都是针对刚体开发的。可变形物体更难以建模与仿真，这限制了无模型强化学习（RL）策略的使用，因为其需要大量数据，而这类数据只能在仿真中满足。本文提出一种针对可变形线性物体（DLOs）的新形状控制任务。更值得注意的是，我们首次研究了弹性塑性性质对此类问题的影响。具有弹性塑性的物体（如金属丝）见于多种应用中，并因其非线性行为而难以操作。我们首先从 RL 视角强调了解决此类操作任务的挑战，尤其在奖励定义方面。然后，基于微分几何中的概念，我们提出一种使用离散曲率与挠率的固有形状表示。最后，我们通过实证研究表明，为使用深度确定性策略梯度（DDPG）成功解决所提任务，奖励需包含关于 DLO 形状的固有信息。