何处触碰、如何接触：面向几何感知长时程灵巧操作的分层RL-MPC框架
机器人学
2026-01-26 v2
摘要
富接触灵巧操作中的一个关键挑战是需要对几何、运动学约束以及复杂、非光滑的接触动力学进行联合推理。端到端视觉运动策略绕过了这一结构，但通常需要大量数据，从仿真到现实的迁移效果较差，且在任务/具身间的泛化能力较弱。我们利用一个简单的洞察来解决这些局限性：灵巧操作本质上是分层的——在高层，机器人决定触碰位置（几何）并移动物体（运动学）；在低层，它确定如何通过接触动力学实现该计划。基于这一洞察，我们提出了一个分层RL-MPC框架，其中高层强化学习（RL）策略预测接触意图，这是一种新颖的以物体为中心的接口，指定了 物体表面接触位置和 接触后物体级子目标位姿。以该接触意图为条件，低层接触隐式模型预测控制（MPC）优化局部接触模式，并结合接触动力学进行重规划，以生成稳健驱动物体趋向各子目标的机器人动作。我们在非抓取式任务上评估了该框架，包括几何泛化推挤和物体三维重定向。它实现了接近100%的成功率，且数据量大幅减少（比端到端基线少10倍），性能高度稳健，并实现了零样本仿真到现实的迁移。
引用
@article{arxiv.2601.10930,
title = {Where to Touch, How to Contact: Hierarchical RL-MPC Framework for Geometry-Aware Long-Horizon Dexterous Manipulation},
author = {Zhixian Xie and Yu Xiang and Michael Posa and Wanxin Jin},
journal= {arXiv preprint arXiv:2601.10930},
year = {2026}
}