外观
论文arXiv 2401.119772024-01-22
基于力反馈强化学习的多指手自适应功能抓取运动规划
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Adaptive Motion Planning for Multi-fingered Functional Grasp via Force Feedback（arXiv 2401.11977）
核心内容
针对多指机器人在动态连续交互中实现类人灵巧操作的难题，该研究提出一种基于深度强化学习的自适应运动规划方法。核心突破在于利用多指灵巧手的关节扭矩作为实时力反馈信号，在预抓取至目标抓取的全过程中感知物体位置与接触碰撞状态，从而动态微调手部姿态并生成差异化抓取轨迹，解决了传统开环控制在非结构化环境下的适应性瓶颈。
技术方案采用闭环反馈控制架构，将关节扭矩数据融入强化学习策略网络，使机器人能根据实时力学响应自主优化动作序列。对比实验量化揭示了力反馈机制的关键作用：引入扭矩感知后，系统在面对物体位置偏差时展现出显著的轨迹自适应能力与操作精度，初步验证了基于本体触觉反馈实现类人灵活性与精确度的技术可行性。
关键看点
- 自适应规划算法：基于深度强化学习构建运动规划策略，利用关节扭矩实时反馈动态调整从预抓取到目标抓取的完整轨迹
- 扭矩感知机制：验证多指灵巧手关节扭矩可通过接触与碰撞有效感知物体相对位置，替代外部视觉实现本体触觉定位
- 力反馈效能验证：对比实验表明闭环力反馈是自适应操作的核心要素，显著提升抓取精度与对物体位置变化的鲁棒性
- 类人操作特性：该方法赋予多指手类似人类的灵活性与适应性，支持在非结构化环境中执行精确的功能性抓取任务
工程与产业观察
该研究确立了关节扭矩作为多指手本体感知核心信号的价值，证明了无需高密度触觉阵列即可通过RL挖掘电机反馈实现自适应抓取。这为降低灵巧手硬件成本、提升端侧具身智能在动态交互中的鲁棒性提供了低成本传感融合范式，对工业装配与家庭服务机器人的末端执行器算法设计具有直接参考意义。
英文摘要 (Abstract)
Enabling multi-fingered robots to grasp and manipulate objects with human-like dexterity is especially challenging during the dynamic, continuous hand-object interactions. Closed-loop feedback control is essential for dexterous hands to dynamically finetune hand poses when performing precise functional grasps. This work proposes an adaptive motion planning method based on deep reinforcement learning to adjust grasping poses according to real-time feedback from joint torques from pre-grasp to goal grasp. We find the multi-joint torques of the dexterous hand can sense object positions through contacts and collisions, enabling real-time adjustment of grasps to generate varying grasping trajectories for objects in different positions. In our experiments, the performance gap with and without force feedback reveals the important role of force feedback in adaptive manipulation. Our approach utilizing force feedback preliminarily exhibits human-like flexibility, adaptability, and precision.
作者：Dongying Tian, Xiangbo Lin, Yi Sun
来源
本页事实对应的公开页面，以原文为准。