通过行为流形系统探索抓取可达性

机器学习方法用于探索抓取可达性的研究在过去数十年间受到广泛关注。现有文献为后续工作提供了稳健的基础,尽管仍存在若干可改进之处。结果通常以抓取配置形式呈现,对抓取如何从可达性和轨迹规划角度进行再现几乎不予考虑。此外,大多数现有学习方法仅生成单一可行抓取,对结果的推导过程缺乏透明度,也无法提供鲁棒性的见解。我们提出了一种不同的抓取可达性学习视角,显式地考虑抓取合成;即,机械臂运动学如何允许抓取实现。该方法允许以生成的抓取类型及其相关抓取质量来显式映射抓取策略空间。数值仿真结果表明该方法具有优势,并突显其如何促进对原本不透明的强化学习过程的更大解释性。