Soft and Rigid Object Grasping With Cross-Structure Hand Using Bilateral Control-Based Imitation Learning

物体抓取是各种机器人任务所需的重要能力。特别是那些需要在操作过程中进行精确力调整的任务，例如抓取未知物体或使用抓取的工具，对于人类预先编程来说是困难的。最近，基于人工智能的算法被积极探索作为解决方案，可以模仿人类的力技能。特别是，基于双边控制的模仿学习实现了具有环境适应性的人类级运动速度，只需要人类演示而无需编程。然而，由于硬件限制，它的抓取性能仍然有限，并且尚未实现涉及抓取各种物体的任务。在这里，我们开发了一种交叉结构手来抓取各种物体。我们实验证明，基于双边控制的模仿学习和交叉结构手的集成对于抓取各种物体和利用工具是有效的。

论文旨在解决机器人抓取不同物体的问题，特别是需要精确力调整的任务。通过结合双边控制的模仿学习和交叉结构手，提高机器人的抓取性能。

论文的关键思路是结合双边控制的模仿学习和交叉结构手来提高机器人的抓取性能。相比当前领域研究，该论文的新意在于提出了交叉结构手来解决抓取不同物体的问题。

论文通过实验验证了结合双边控制的模仿学习和交叉结构手对于机器人抓取不同物体的有效性。实验结果表明，该方法可以有效提高机器人的抓取性能。论文还提供了实验数据和代码，方便其他研究者进行复现和扩展。

近期在机器人抓取领域的相关研究包括：1. Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement Learning；2. Learning to Grasp with Optimal Control and Planning；3. Grasp2Vec: Learning Object Representations from Self-Supervised Grasping。