基于内感学习手指步态手内操作的可行性研究

手指步态操作是实现物体手内大角度重定向的一项重要技能。然而，由于该任务的不稳定性，在手部任意方向下实现这些步态具有挑战性。在这项工作中，我们使用无模型强化学习（RL）仅通过精确抓取来学习手指步态，并演示了纯粹使用机载本体感觉和触觉反馈绕轴旋转的手指步态。为解决精确抓取的固有不稳定性，我们提出使用初始状态分布，以实现对状态空间的有效探索。我们的方法能够学习手指步态，且样本复杂度显著优于现有技术。我们获得的策略具有鲁棒性，并且可以迁移到新物体上。视频可在 https://roamlab.github.io/learnfg/ 找到。