Swooper：基于深度强化学习的高速空中抓取
机器人学
2026-03-09 v1
摘要
高速空中抓取面临对精准、响应式飞行控制以及协同夹爪操作的高要求。本文提出 Swooper，一种基于深度强化学习（DRL）的方法，实现精准飞行控制与主动夹爪控制，仅需一个轻量级神经网络策略。直接通过 DRL 训练此类策略极具挑战性，因其飞行与抓取协调复杂。为此，我们采用两阶段学习策略：首先预训练飞行控制策略，然后微调以获取抓取技能。通过精心设计的奖励函数和训练框架，整个训练过程在配备 Nvidia RTX 3060 GPU 的标准台式计算机上完成时间不足 60 分钟。为在真实世界验证训练得到的策略，我们开发了一个轻量级四旋翼飞行器夹取平台，配备简单可用的夹爪，并以零样本方式在 onboard Raspberry Pi 4B 计算机上部署该策略，推理仅约 1.0 毫秒。在 25 次真实世界试验中，本策略实现了 84% 的抓取成功率，抓取速度可达 1.5 米/秒，无需任何微调。该成果与采用复杂夹爪的先进经典系统相当，其鲁健性与灵活性，凸显了 DRL 在学习能无缝集成高速飞行与抓取控制的鲁健策略方面的潜力。补充视频已提供更多结果。视频链接：https://zikenhuang.github.io/Swooper/。
引用
@article{arxiv.2603.05935,
title = {Swooper: Learning High-Speed Aerial Grasping With a Simple Gripper},
author = {Ziken Huang and Xinze Niu and Bowen Chai and Renbiao Jin and Danping Zou},
journal= {arXiv preprint arXiv:2603.05935},
year = {2026}
}