VBM-NET：基于等变TransporterNet和图神经网络的移动机械臂视觉基座姿学习
机器人学
2025-10-07 v1
摘要
在移动机械臂操作中，选择最优的移动基座姿态对于成功的抓取至关重要。以往的研究要么通过经典规划方法，要么通过学习基于状态的策略来解决此问题。它们假设能够获得可靠的状态信息，例如精确的物体姿态和环境模型。在本工作中，我们直接从场景的俯视正轴视图中进行基座姿态规划，这些视图提供了场景的全局概览，同时保留了空间结构。我们提出了VBM-NET，一种基于此类俯视正轴视图的基座姿态选择学习方法。我们采用等变TransporterNet以利用空间对称性，高效学习抓取的候选基座姿态。进一步，我们使用图神经网络表示可变数量的候选基座姿态，并通过强化学习确定其中最优的基座姿态。我们表明，VBM-NET能够在计算时间大幅缩短的情况下，产生相当于经典方法的解决方案。此外，我们通过在仿真中训练的策略成功地部署到了真实世界的移动机械臂操作中，验证了仿真到真实的迁移能力。
引用
@article{arxiv.2510.04171,
title = {VBM-NET: Visual Base Pose Learning for Mobile Manipulation using Equivariant TransporterNet and GNNs},
author = {Lakshadeep Naik and Adam Fischer and Daniel Duberg and Danica Kragic},
journal= {arXiv preprint arXiv:2510.04171},
year = {2025}
}