通过预测鲁棒、精确且面向任务的抓取实现机器人装配

鲁棒的面向任务抓取规划对于自主机器人精密装配任务至关重要。在确定要执行的适当抓取时，应纳入物体几何形状与目标任务的先验条件。然而，若干因素导致了实现这些抓取的挑战，例如机器人控制中的噪声、未知物体属性，以及复杂物体间交互建模的困难。我们提出一种方法，通过学习三个级联网络对该问题进行分解，并优化抓取的鲁棒性、精确性与任务表现。我们在仿真中对三项常见装配任务评估了该方法：将齿轮套到桩上、将支架对齐入角、将形状插入槽中。我们的策略采用基于大规模自监督抓取仿真与程序化生成物体的课程进行训练。最后，我们在真实机器人上评估前两项任务的性能，其中我们的方法对支架插入达到 4.28mm 误差、对齿轮插入达到 1.44mm 误差。