PIPE: Process Informed Parameter Estimation, a learning based approach to task generalized system identification

我们通过使用基于学习的方法来识别已知和新型零件的接触模型参数，解决了机器人引导下的装配任务问题。首先，使用变分自编码器（VAE）提取装配零件的几何特征。然后，我们将提取的特征与物理知识相结合，使用我们新提出的神经网络结构来推导接触模型的参数。实验测量的力被用来监督预测的力，从而避免了需要地面真实模型参数的需求。虽然只在一小组装配零件上进行了训练，但对于未知对象的良好接触模型估计已经实现。我们的主要贡献是网络结构，它允许我们根据要连接的零件的几何形状来估计装配任务的接触模型。当当前的系统识别过程需要为新的装配过程记录新数据时，我们的方法只需要装配零件的3D模型。我们通过估计针式连接器和电子插头的机器人引导下的装配任务的接触模型，并将结果与实际实验进行比较来评估我们的方法。

论文旨在通过学习方法识别已知和新型部件的接触模型参数，以解决机器人引导的装配任务中的问题。

使用变分自编码器（VAE）提取装配部件的几何特征，结合物理知识，使用新提出的神经网络结构推导接触模型的参数，从而实现对未知对象的良好接触模型估计。

论文提出的网络结构允许根据要连接的零件的几何形状估计装配任务的接触模型，而不需要记录新数据。使用真实实验的测力来监督预测的力，避免了需要地面真实模型参数的需要。通过对引导装配针连接器和电子插头的接触模型进行估计并与实验结果进行比较，证明了该方法的有效性。

近期的相关研究包括：《Learning Contact-Rich Manipulation Skills with Guided Policy Search》、《Deep Learning for Contact-Rich Manipulation: A Survey》等。