移动中任意物体抓取的自监督学习

移动抓取利用机器人的机动性提高了操作效率。本研究旨在使商用现成机器人能够执行移动抓取，这需要精确的时机和位姿调整。自监督学习可根据目标物体的形状和位姿，开发出一种泛化策略来调整机器人速度并确定抓取位置和方向。鉴于移动抓取的复杂性，动作原语化和分步学习对于避免试错学习中的数据稀疏至关重要。本研究将移动抓取简化为两个抓取动作原语和一个移动动作原语，这些原语可在操作器有限自由度下运行。本研究引入了三个全卷积神经网络（FCN）模型，分别从视觉输入预测静态抓取原语、动态抓取原语和残差移动速度误差。一种两阶段抓取学习方法促进了 FCN 模型的无缝学习。消融研究表明，所提方法实现了最高的抓取精度和拾取放置效率。此外，在仿真中随机化物体形状和环境有效地实现了泛化的移动抓取。