利用神经描述场学习接触感知的动态恢复
机器人学
2025-10-17 v1
摘要
现实世界中的灵巧操作常常会遇到意外错误和扰动，这可能导致灾难性故障，例如掉落被操作物体。为应对这一挑战，我们专注于在掉落物体仍处于抓取范围内时将其接住，并重要的是，将系统重置到有利于恢复主要操作任务的构型。我们提出了接触感知动态恢复(CADRE)，这是一个强化学习框架，它整合了一个受神经描述场(NDF)启发的模块来提取隐式接触特征。与仅依赖物体姿态或点云输入的方法相比，NDF可以直接推理手指与物体的对应关系，并适应不同的物体几何形状。我们的实验表明，融入接触特征提高了训练效率，增强了强化学习训练的收敛性能，并最终导致更成功的恢复。此外，我们证明了CADRE可以零样本泛化到具有不同几何形状的未见物体。
引用
@article{arxiv.2510.14768,
title = {Leveraging Neural Descriptor Fields for Learning Contact-Aware Dynamic Recovery},
author = {Fan Yang and Zixuan Huang and Abhinav Kumar and Sergio Aguilera Marinovic and Soshi Iba and Rana Soltani Zarrin and Dmitry Berenson},
journal= {arXiv preprint arXiv:2510.14768},
year = {2025}
}