用于抓取物体操作的物理感知神经时间场
机器人学
2025-08-06 v1
摘要
物体操作技能是机器人在各种日常场景中（从仓库到医院）必需的技能。它们允许机器人将给定的物体操作到杂乱环境中的期望安排。现有的解决物体操作的方法要么是低效的基于抽样的技术，要么需要专家演示，或通过试错学习，使其在实际场景中不够理想。在本文中，我们提出了一种新颖的、多模态物理感知神经网络（PINN）用于解决物体操作任务。我们的ethods高效地学习了在复杂、杂乱的环境中快速找到物体操作轨迹的Eikonal方程，并且在操作期间主动重新规划机器人的抓取位置以实现期望的物体姿态。我们在仿真和真实世界场景中展示了该方法，并将其与最先进的基线方法进行比较。结果表明，该方法在 various objects 上有效，训练效率优于以前的基于学习的方法，在规划时间、轨迹长度和成功率方面表现出高性能。我们的演示视频可在 https://youtu.be/FaQLkTV9knI 查看。
引用
@article{arxiv.2508.02976,
title = {Physics-informed Neural Time Fields for Prehensile Object Manipulation},
author = {Hanwen Ren and Ruiqi Ni and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2508.02976},
year = {2025}
}