基于鲁棒示教学习的柔性食品对象机器人操作

具有高度生物差异性、复杂三维几何形状以及机械结构与纹理的柔性和可变形食品原料的机器人操作，目前在海洋、农业和食品工业中有巨大需求。这些行业中的许多任务由人工完成，由于其任务繁重且单调，执行过程表现出高度变异性，结果也不稳定。由于现有机器人学习策略的局限，大多数复杂加工任务的机器人自动化引入颇具挑战。亟需一种涉及熟练操作员的更一致的学习策略。本文研究在示教不一致情况下机器人学习的问题。为此，我们提出一种基于示教学习（LfD）的鲁棒学习策略，用于柔性食品对象的机器人抓取。该方法融合 RGB-D 图像与触觉数据，以估计夹持器所需位姿、夹持器手指构型以及对物体施加的力，从而实现有效的机器人操作。在 LfD 训练期间，保存夹持器位姿、手指构型与手指触觉值以及 RGB-D 图像。我们提出一种 LfD 学习策略，可自动剔除不一致示教并估计教师的预期策略。我们的方法在具有复杂三维形状的易碎和柔性食品对象上进行了验证与演示。所提方法在上述工业领域具有广泛的潜在应用。