PCHands：基于 PCA 的 N 自由度机械手手部姿态协同表示

我们考虑学习一种适用于不同形态机械手灵巧操作的通用表示的问题。为此，我们提出了 PCHands，这是一种从大量机械手中提取手部姿态协同的新方法。我们基于锚点位置，为从二指夹爪到五指拟人手等各类机械手定义了一种简化且统一的描述格式。这使得我们能够学习机械手构型的可变长度潜在表示，并对齐所有机械手的末端执行器坐标系。我们证明，可以从这种对不同结构和自由度的机械手通用的潜在表示中提取主成分。为了评估 PCHands，我们使用这种紧凑表示来编码通过强化学习（RL）学习的灵巧操作任务控制策略的观测空间和动作空间。在学习效率和一致性方面，所提出的表示优于在关节空间中学习相同任务的基线方法。我们还表明，当演示由不同机械手提供时，PCHands 在基于演示的强化学习中表现稳健。我们通过涉及一个二指夹爪和一个四指拟人手的真实世界实验进一步支持了我们的结果。代码和补充材料可在 https://hsp-iit.github.io/PCHands/ 获取。