利用对称性进行抓取与放置

机器人抓取与放置任务在待抓取物体以及期望放置位姿的平移和旋转下具有对称性。例如，若抓取物体被旋转或平移，则最优抓取动作也应随之旋转或平移。对于放置位姿同样如此；若期望放置位姿改变，则放置动作也应相应变换。近期提出的名为 Transporter Net 的抓取与放置框架捕捉了部分而非全部这些对称性。本文解析地研究了平面机器人抓取与放置中存在的对称性，并提出了一种将等变神经网络模型以捕捉全部对称性的方式嵌入 Transporter Net 的方法。我们将新模型称为等变 Transporter Net（Equivariant Transporter Net），它对抓取和放置对称性均具有等变性，并能够将抓取与放置知识立即推广到不同的抓取与放置位姿。我们对新模型进行了实证评估，表明其比非对称版本具有更高的样本效率，从而构建出一个能够利用极少人类示教在多种模仿学习任务中模仿演示抓取与放置行为的系统。