MobRT：面向移动操作的基于数字孪生的可扩展学习框架
机器人学
2025-10-07 v1
摘要
近年来，机器人技术的进步主要由仿照学习驱动，这对大规模高质量示教数据至关重要。然而，收集此类数据对于移动操作臂来说仍是一个重大挑战——这些系统需要在高维、动态且部分可观测的环境中协调底座运动和机械臂操作。因此，现有研究大多聚焦于较为简单的桌面场景，移动操作臂的研究相对薄弱。为弥合这一差距，我们提出了 \textit{MobRT}，一个基于数字孪生的框架，用于模拟两种复杂的全身任务：与具有关节运动的物体交互（例如打开门和抽屉）以及移动底座的抓取与放置操作。\textit{MobRT} 通过集成虚拟运动学控制和全身运动规划，实现自主生成多样且真实可信的示教数据，确保协同且物理一致的执行。我们评估了\textit{MobRT} 生成数据的质量，建立了全面的基准测试，并证明了任务成功率与生成轨迹数量之间的强相关性。集成模拟与真实世界示教数据的实验表明，我们的方法显著提高了策略的泛化能力和性能，在模拟和真实环境中均取得稳健的结果。
引用
@article{arxiv.2510.04592,
title = {MobRT: A Digital Twin-Based Framework for Scalable Learning in Mobile Manipulation},
author = {Yilin Mei and Peng Qiu and Wei Zhang and WenChao Zhang and Wenjie Song},
journal= {arXiv preprint arXiv:2510.04592},
year = {2025}
}