MAT：基于深度强化学习的多指自适应触觉抓取

基于视觉的抓取系统通常采用规划抓取的开环执行。该策略可能因诸多原因失败，包括普遍存在的标定误差。失败的抓取恢复因视觉遮挡而更趋复杂，因为手在尝试另一次开环重抓时通常会遮挡视觉传感器。本工作提出 MAT，一种触觉闭环方法，能够利用手在物体上方粗略初始定位所提供的抓取来实现抓取。我们的算法是一种深度强化学习（RL）策略，在最大熵 RL 框架内通过裁剪替代目标进行优化，以平衡利用与探索。该方法利用触觉与本体感知信息，通过精细手指运动与较大重抓运动来行动，以执行稳定抓取。一种动作运动幅度的新颖课程使学习更易处理，并有助于将常见失败案例转化为成功。谨慎选择具有较小仿真到真实差距的特征，使得这一纯粹在仿真中训练的触觉抓取策略能够良好迁移至真实世界环境，无需额外学习。实验上，该方法在多指机器人手上相较仅视觉抓取成功率有显著提升。当该方法用于实现仅视觉规划器提供的粗略初始位置抓取时，系统对相机-机器人变换中的标定误差变得极为鲁棒。