基于强化学习驱动的数据生成用于鲁棒的基于视觉的灵巧抓取
机器人学
2025-04-28 v1
摘要
本文提出一种基于强化学习（RL）的数据增强方法，以提高基于视觉的灵巧抓取模型的泛化能力。虽然已证明实到仿到实框架（即利用少量真实演示引导大规模仿真数据）在视觉-动作（VA）模型中效果良好，但在灵巧抓取场景中仍具挑战：跨异构物体形状获取稳定的多指触点并非易事。为此，我们利用RL生成跨多样几何形状的触点丰富抓取数据。遵循实到仿到实范式，抓取技能被建模为可参数化和可调节的参考轨迹，由通过RL学习的残差策略进行细化。这种模块化设计实现了既符合真实演示又适应多样物体几何的轨迹级控制。在仿真数据增强上训练的视觉条件策略显示出对未见物体的强大泛化能力，凸显了本方法在缓解VA模型训练数据瓶颈中的潜力。
引用
@article{arxiv.2504.18084,
title = {RL-Driven Data Generation for Robust Vision-Based Dexterous Grasping},
author = {Atsushi Kanehira and Naoki Wake and Kazuhiro Sasabuchi and Jun Takamatsu and Katsushi Ikeuchi},
journal= {arXiv preprint arXiv:2504.18084},
year = {2025}
}