基于演示编辑的强化学习通用灵活功能抓取
机器人学
2025-12-16 v1
摘要
强化学习 (RL) 在灵活抓取领域取得了巨大成功，显著提升了抓取性能和从仿真到现实的泛化能力。然而，对于下游操作任务至关重要的细粒度功能抓取仍未得到充分探索，且面临多个挑战：如何为不同对象上的功能抓取指定目标和奖励函数的复杂性、多任务 RL 探索的困难，以及仿真到现实迁移的难题。本文提出 DemoFunGrasp，用于实现通用灵活功能抓取。我们将功能抓取条件分解为两个互补组成部分——抓取风格与功能性，并将其集成到能够学习任何对象以任何功能抓取条件的 RL 框架中。为解决多任务优化问题，我们利用单次抓取演示，将 RL 问题重新表述为单步演示编辑，在显著提升样本效率和性能方面发挥作用。仿真和现实世界的实验结果表明，DemoFunGrasp 能泛化到未见过的对象、功能性和抓取风格的组合，在成功率和功能抓取精度方面均优于基线方法。除了强大的仿真到现实能力外， our system 通过引入面向规划的视觉语言模型 (VLM)，实现了自主指令跟随抓取执行。
引用
@article{arxiv.2512.13380,
title = {Universal Dexterous Functional Grasping via Demonstration-Editing Reinforcement Learning},
author = {Chuan Mao and Haoqi Yuan and Ziye Huang and Chaoyi Xu and Kai Ma and Zongqing Lu},
journal= {arXiv preprint arXiv:2512.13380},
year = {2025}
}
备注
19 pages