Generalize by Touching: Tactile Ensemble Skill Transfer for Robotic Furniture Assembly

本文提出了一种离线强化学习（RL）方法框架，名为Tactile Ensemble Skill Transfer（TEST），它将触觉反馈纳入控制循环中，以解决机器人家具组装问题。TEST的核心设计是学习一个技能转换模型进行高层规划，以及一组自适应的技能达成目标策略，旨在更通用地解决这个长期任务的技能链问题。该方法首先从一组启发式策略和轨迹中采样演示，使得机器人轨迹具有丰富的技能阶段、机器人状态、视觉指标和重要的触觉信号。利用这些轨迹，离线RL方法确定技能终止条件并协调技能转换。实验结果表明，TEST在内部分布的家具组装上表现出色，在面对未见过的家具配置时也具有适应性，并且对视觉干扰具有鲁棒性。消融研究进一步突出了两个算法组件的关键作用：技能转换模型和触觉集合策略。结果表明，TEST可以在内部分布和泛化设置中实现90％的成功率，并且比启发式策略高效4倍以上，为接触丰富的操作提供了可扩展的技能转移方法。

解决问题：本论文旨在通过引入触觉反馈的控制循环，提出离线强化学习框架Tactile Ensemble Skill Transfer (TEST)，以解决机器人家具组装的问题。

关键思路：TEST的核心设计是学习高层次规划的技能转移模型，以及一组自适应的技能内目标达成策略，从而实现技能的顺畅链接。该框架通过离线强化学习方法，从一组启发式策略和轨迹中采样演示，学习技能终止条件和协调技能转换。

其他亮点：实验结果表明，TEST在分布内和外的家具组装任务中，成功率达到90％，比启发式策略高出4倍以上。论文还对TEST的两个算法组件进行了实验验证，并提出了值得深入研究的问题。

相关研究：最近的相关研究包括《Robotic Furniture Assembly: A Survey》、《Robotic Furniture Assembly with Human-like Dual-arm Manipulation》等。