Learning Cross-hand Policies for High-DOF Reaching and Grasping

本文提出了一种新的方法，可以学习一个统一的策略模型，可以轻松地转移到不同的灵巧夹具上。我们的方法包括两个阶段：一个夹具无关的策略模型，可以预测夹具上预定义关键点的位移，以及一个夹具特定的适应模型，可以将这些位移转化为控制夹具关节的调整。使用强大的几何表示捕捉夹指状态和与物体的交互，并与基于Transformer的网络集成，以解决夹具形态和几何形状的变化。在实验中，我们评估了我们的方法在几个灵巧夹具和不同的物体上的表现，结果显示我们的方法明显优于基线方法。通过开创在灵巧夹具之间传递抓取策略的先河，我们的方法有效地展示了学习可推广和可转移操作技能的潜力，适用于各种机器人手。

解决问题：论文旨在解决现有方法训练特定机械手的问题，不能迁移到其他机械手的问题，提出了一种可以学习统一策略模型并可轻松迁移到不同机械手的新方法。

关键思路：该方法包括两个阶段：一个预测机械手上预定义关键点位移的机械手无关策略模型，以及一个将这些位移转化为控制机械手关节调整的机械手特定适应模型。使用鲁棒的几何表示和基于transformer的网络捕捉机械手状态和物体之间的交互。

亮点：该方法在多个不同的机械手和物体上进行了实验，结果表明该方法显著优于基线方法。该方法开创了机械手之间抓取策略的转移，展示了学习可推广和可转移操作技能的潜力。

相关研究：最近的相关研究包括：《Dex-Net 4.0: Learning to Plan Robust Grasps with Sensorimotor Transformations Using Physics-Aware Neural Networks》、《Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection》等。