基于流匹配的驱动空间演示轻量化学习及其在全身软体机器人抓取中的应用
机器人学
2026-04-06 v2
摘要
由于具有不确定性和富接触特性，不确定性条件下的机器人抓取仍是一项基本挑战。传统刚性机械手自由度有限且柔顺性不足，需依赖复杂的基于模型的控制器和重型反馈控制器来管理此类交互。相比之下，软体机器人展现出具身机械智能：其欠驱动结构和全身的被动柔性能够自然适应不确定接触并实现自适应行为。为利用这一能力，我们提出了一种轻量化的驱动空间学习框架，该框架使用流匹配模型（Rectified Flow），直接从确定性演示中推断用于全身软体机器人抓取的分布式控制表示，而无需密集传感或重型控制回路。仅使用 30 次演示（不到可达工作空间的 8%），所学策略就在整个工作空间中实现了 97.5% 的抓取成功率，泛化至被抓取物体尺寸变化 +-33% 的情况，并在通过将执行时间从 20% 缩放至 200% 来直接调整机器人动态响应时保持稳定性能。这些结果表明，驱动空间学习通过利用其被动冗余自由度和柔性，将机体力学转化为功能性控制智能，并大幅减轻了中央控制器在此类富不确定任务中的负担。
引用
@article{arxiv.2511.01770,
title = {Lightweight Learning from Actuation-Space Demonstrations via Flow Matching for Whole-Body Soft Robotic Grasping},
author = {Liudi Yang and Yang Bai and Yuhao Wang and Ibrahim Alsarraj and Gitta Kutyniok and Zhanchi Wang and Ke Wu},
journal= {arXiv preprint arXiv:2511.01770},
year = {2026}
}