基于抽样的抓取与碰撞预测用于辅助遥操作
机器人学
2025-04-28 v1
摘要
共享自主性允许将人类操作员的全局规划能力与机器人的优势（如重复性和精确控制）相结合。在实时遥操作场景中，一种可能的共享自主性方法是让人类操作员决定粗略运动，让机器人进行细微调整，例如当操作员的视线被遮挡时。在本 work 中，我们提出了一种基于学习的共享自主性概念，旨在支持实时遥操作。在每一步中，我们的系统尽可能准确地跟踪由人类操作员设置的目标姿态，同时满足一组影响机器人行为的约束。一个重要特征是，约束可以动态激活和停用，这允许系统提供特定于任务的帮助。由于系统必须实时生成机器人命令，无法在每个迭代中求解优化问题。相反，我们对潜在的目标配置进行抽样，并使用神经网络预测每个配置的约束成本。通过并行评估每个配置，我们的系统能够在最小延迟下选择满足约束且与操作员目标姿态距离最小的目标配置。我们使用两个 Franka Emika Panda 机器人臂配备 Robotiq 夹具，在抓取和放置任务中对该框架进行了评估。
引用
@article{arxiv.2504.18186,
title = {Sampling-Based Grasp and Collision Prediction for Assisted Teleoperation},
author = {Simon Manschitz and Berk Gueler and Wei Ma and Dirk Ruiken},
journal= {arXiv preprint arXiv:2504.18186},
year = {2025}
}