基于噪声相机观测学习玩杯球游戏

玩杯球游戏是机器人研究中有趣的任务，因其抽象出重要的问题特征，包括系统非线性、接触力以及作为最终目标的精确定位。本文提出一种基于学习模型的杯球游戏控制策略，其中 Universal Robots UR5e 机械臂学习在 Kendama 的某一杯中接住球。我们的控制问题被划分为两个子任务，即 $(i)$ 在受限运动中将球摆动起身，以及 $(ii)$ 接住自由落体球。摆动轨迹离线计算，并以开环方式施加于机械臂。随后，在球自由落体期间在线求解一个凸优化问题以控制机械臂接球。控制器利用来自 Intel RealSense D435 深度相机的噪声位置反馈。我们提出一种新颖的迭代框架，其中数据被用于迭代学习相机噪声分布的支持集以更新控制策略。固定策略下接球的概率由用户指定次数的 roll-out 经验计算。我们的设计保证当所学支持集逼近相机噪声分布真实支持集时，接球概率在极限下递增。高保真 Mujoco 仿真与初步实验结果支撑了我们的理论分析。