Impact-Aware Bimanual Catching of Large-Momentum Objects

本文研究动态操纵中最具挑战性的任务之一——捕捉具有大动量的移动物体。在准静态操纵的基础上，处理高度动态的物体可以显著提高机器人与其周围环境的交互能力。然而，快速移动物体与接近的机器人之间不可避免的运动不匹配会导致大的冲击力，从而导致不稳定的接触和不可逆的损坏。为了解决上述问题，我们提出了一个在线优化框架：1）估计和预测物体的线性和角动量；2）通过顺序二次规划（SQP）在物体的每个表面上搜索和选择最佳接触位置以减轻冲击；3）使用多模式轨迹优化（MMTO）同时优化机器人的末端执行器运动、刚度和接触力；4）基于间接力控制器在柔性机器人系统上实现了考虑冲击的抓取运动。我们在仿真中验证了脉冲分布、接触选择和考虑冲击的MMTO算法，并在实际实验中展示了所提出的框架的好处，包括捕捉具有明确定义的运动、受限运动和自由飞行运动的大动量移动物体。

解决问题：论文旨在解决动态操作中捕捉高动量移动物体的问题，该问题在机器人与周围环境的交互中具有重要意义。

关键思路：论文提出了一个在线优化框架，通过预测和估计物体的线性和角动量，搜索和选择最佳接触点，同时优化机器人的末端执行器运动、刚度和接触力，并基于间接力控制器实现对可变刚度机器人的冲击感知抓取运动。

其他亮点：论文在模拟和实验中验证了冲量分布、接触点选择和冲击感知多模式轨迹优化算法的有效性，并展示了该框架在实际抓取高动量移动物体方面的应用。

相关研究：最近的相关研究包括“Dynamic Object Grasping via Multi-Modal Trajectory Optimization and Adaptive Hand Stiffness Control”和“Robust Grasping of Moving Objects Using Impedance Control and Iterative Learning”等。