不确定动力学下桌面平面推动的基于模型自适应精密控制

数据驱动的平面推动方法近期受到关注，因为与解析方法相比，它们减少了人工工程量并提高了泛化能力。然而，大多数先前的工作仅针对狭窄的能力（例如，侧面切换、精度或单任务训练），限制了其更广泛的适用性。我们提出了一种用于非抓持式桌面推动的基于模型的框架，该框架使用单一学习模型即可解决多个任务而无需重新训练。我们的方法采用基于循环 GRU 的架构并附加非线性层，以捕捉物体-环境动力学同时确保稳定性。定制的状态-动作表示使模型能够泛化至不确定的动力学、可变的推动长度和多样的任务。在控制方面，我们将学习到的动力学与基于采样的模型预测路径积分 (MPPI) 控制器相结合，生成自适应的、面向任务的动作。该框架支持侧面切换、变长推动以及诸如精确定位、轨迹跟随和避障等目标。训练在带有域随机化的仿真环境中进行，以支持从仿真到现实的迁移。我们首先通过消融实验评估了该架构，展示了预测精度的提升和稳定的推演。随后，我们使用带有无标记跟踪的 Franka Panda 机器人在仿真和真实世界实验中验证了整个系统。结果表明，在严格阈值下的精确定位成功率很高，并且在轨迹跟踪和避障方面表现出色。此外，只需更改控制器的目标函数即可解决多个任务，而无需重新训练。虽然我们目前的重点单一物体类型，但我们通过在更宽的推动长度上进行训练并设计一个平衡控制器来扩展该框架，该控制器减少了长时域目标的步数。