基于抓取相关可行性预测的机器人放置优化

本文研究了 Whether inexpensive, physics-free supervision can reliably prioritize grasp-place candidates for budget-aware pick-and-place。从物体的初始姿态、目标姿态和候选抓取位置出发，我们生成两种路径感知的几何标签：基于固定抓取-到达-提升路标模板的路径级逆运动学 (IK) 可行性，以及沿相同路标模板的碰撞检测标记。一个紧凑的双输出 MLP 从姿态编码学习这些信号，在测试时其得分对预计算的候选位置进行排序，以用于受相同 IK 门和规划器约束的排位-规划策略。尽管仅使用廉价标签训练，所学得分仍能迁移到物理驱动的执行轨迹上：在固定规划预算下，该策略比基线更快找到成功路径，所需的规划调用次数更少，同时保持最终成功率与基线相当或更好。本工作针对单只刚性立方体的侧面抓取和固定路标模板，提出了针对多样化物体和更丰富路标方案的扩展思路。