LeTac-MPC：用于触觉反应抓取的学习型模型预测控制
机器人学
2024-09-10 v2 人工智能
摘要
抓取是机器人技术中的一项关键任务，需要在各种条件下以及针对不同物理属性的物体进行稳健抓取，这需要触觉反馈和反应式抓取调整。在本文中，我们介绍了 LeTac-MPC，一种用于触觉反应抓取的基于学习的模型预测控制（MPC）。我们的方法使夹持器能够在动态和力交互任务中抓取具有不同物理属性的物体。我们利用基于视觉的触觉传感器 GelSight，它能够感知包含被抓取物体物理属性和状态信息的高分辨率触觉反馈。LeTac-MPC Incorporates 一个可微分的 MPC 层，旨在对神经网络（NN）从触觉反馈中提取的嵌入进行建模。该设计促进了频率为 25 Hz 的收敛且稳健的抓取控制。我们提出了一套完全自动化的数据收集流程，并仅使用具有不同物理属性的标准化积木收集了数据集。然而，我们训练好的控制器可以泛化到具有不同尺寸、形状、材料和纹理的日常物体。实验结果证明了所提方法的有效性和稳健性。我们将 LeTac-MPC 与两种纯基于模型的触觉反应控制器（MPC 和 PD）以及开环抓取进行了比较。结果表明，LeTac-MPC 在动态和力交互任务中具有最佳性能，并具有最佳的泛化能力。我们的代码和数据集发布在 https://github.com/ZhengtongXu/LeTac-MPC。
引用
@article{arxiv.2403.04934,
title = {LeTac-MPC: Learning Model Predictive Control for Tactile-reactive Grasping},
author = {Zhengtong Xu and Yu She},
journal= {arXiv preprint arXiv:2403.04934},
year = {2024}
}