Complementarity-Free Multi-Contact Modeling and Optimization for Dexterous Manipulation

该论文讨论了模型方法在灵巧操作中表现不如强化学习的一个重要障碍，即多接触动力学的内在复杂性。传统上，多接触动力学使用互补模型来表示，引入了组合复杂性和不光滑性，使得接触丰富的规划和控制变得复杂。为了解决这些挑战，该论文引入了一种新的、简化的多接触模型。这个新模型是从基于优化的接触模型的对偶性中导出的，完全摒弃了互补构造，提供了明显的计算优势，如显式时间步进、可微分性、库仑摩擦定律的自动满足以及最小的超参数调整。论文证明了该模型在一系列具有挑战性的灵巧操作任务中规划和控制的有效性和效率，包括指尖三维空中操作、TriFinger手指内部操作和Allegro手掌重定向等，使用不同的物体。我们的方法始终取得了最先进的结果：（I）任务的平均成功率为96.5％，（II）高精度操作，平均重定向误差为11度，位置误差为7.8毫米，（III）模型预测控制在所有测试的灵巧操作任务中以50-100 Hz运行。这些结果是在最小的超参数调整下实现的。

解决问题：论文试图解决多接触动力学的复杂性问题，以提高机器人在灵巧操作中的性能。

关键思路：论文提出了一种新的简化多接触模型，通过优化建模的对偶性来实现，避免了传统补充性模型的组合复杂性和非光滑性问题，提供了明确的时间步进、可微分性、自动满足库仑摩擦定律以及最小的超参数调整。

其他亮点：论文在多个灵巧操作任务中展示了该模型的有效性和效率，包括指尖三维空中操作、TriFinger手中操作和Allegro手掌重定向，所有任务的平均成功率达到了96.5％，平均重新定向误差为11度，位置误差为7.8毫米，并且模型预测控制在50-100 Hz运行，最小化了超参数调整。

相关研究：最近的相关研究包括使用深度学习方法进行多接触动力学建模，如《DeepMPC: Learning Deep Latent Features for Model Predictive Control of Complex Systems》。还有一些研究关注于优化求解多接触动力学问题，如《A Convex Optimization Approach to Multi-Contact Force Control》。