自适应柔顺性策略：扩散引导控制中学习近似的柔顺

文章预览

24年10月来自斯坦福大学和 TRI 的论文“Adaptive Compliance Policy: Learning Approximate Compliance for Diffusion Guided Control”。 柔顺性在操作中起着至关重要的作用，因为它可以在不确定的情况下平衡位置和力的并发控制。然而，当今的视觉运动策略往往忽视柔顺性，而只注重位置控制。本文介绍 自适应柔顺性策略 (ACP) ，这种框架，从人类演示中学习针对给定的操作任务在空间和时间上动态调整系统柔顺性，改进以前依赖预选择的柔顺性参数或假设均匀恒定刚度的方法。然而，从人类演示中计算完整的柔顺性参数是一个定义不明确的问题。相反，本文估计一个具有两个有用属性的近似柔顺性曲线：避免大的接触力和鼓励准确跟踪。该方法使机器人能够处理复杂丰富接触的操作任务，与其他视觉运动策略方法相比，性能提高 50% 以上。 机器人系统所需的柔顺性并不 ………………………………