A Contact Model based on Denoising Diffusion to Learn Variable Impedance Control for Contact-rich Manipulation

本文提出了一种新颖的方法，通过开发扩散接触模型（DCM）来学习擦拭等接触丰富的机器人控制任务。之前学习这些任务的方法依赖于通过机器人进行贝叶斯优化的阻抗控制，通过试错来进行时间变化刚度调整。所提出的方法旨在通过预测机器人接触轨迹来减少机器人操作成本，并使用神经模型。然而，接触动力学本质上是高度非线性的，其模拟需要迭代计算，如凸优化。此外，使用有限层神经模型来近似这些计算是困难的。为了克服这些限制，所提出的DCM使用了去噪扩散模型，可以通过多步去噪的迭代计算来模拟复杂的动态，从而提高预测精度。在模拟和实际环境中进行的刚度调整实验表明，DCM实现了与传统的基于机器人优化方法相当的性能，同时减少了机器人试验的次数。

提出一种新的机器人控制方法，解决接触丰富任务中的问题。之前的方法需要通过机器人的贝叶斯优化进行试错，本文旨在降低机器人操作成本。

通过使用去噪扩散模型（DCM）来预测机器人接触轨迹，从而实现减少机器人试验次数。

使用DCM模型来模拟复杂动力学，提高了预测精度。在仿真和实际环境中进行了刚度调整实验，结果表明DCM方法可以实现与传统优化方法相当的性能，同时减少了机器人试验次数。

最近的相关研究包括基于贝叶斯优化的机器人控制方法和基于神经网络的机器人控制方法。