PAKE：利用部分运动学嵌入学习全身移动操作
论文提出 PAKE 全身控制框架，将移动操作分解为部分参考运动生成与底层模仿控制，并引入在大规模运动学数据集上训练的 Kinematic Normalizing Flow（KNF）模型生成多样化部分运动学参考。高层控制器在 KNF 潜在空间中导航以利用冗余解，底层控制器学习动态一致的运动执行。在配备六自由度机械臂的四足机器人上验证：仿真中于 4000 个目标基准上跟踪精度与可行工作空间覆盖优于基线；硬件上在 8 类移动操作任务共 24 个回合中实现末端位姿跟踪误差 4.5 cm 与 0.14 rad，线速度、角速度误差分别为 0.1 m/s 和 0.01 rad/s。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《PAKE: Learning Whole-Body Loco-Manipulation with Partial Kinematic Embeddings》查看原链
摘要：移动操作近期已展现出令人期待的能力；然而，实现高精度控制、管理由众多自由度（DoF）引起的高维动作空间，以及充分利用全身系统固有的冗余性，仍然具有挑战性。 本文提出一种新颖的全身控制框架，通过将复杂的移动操作问题分解为部分参考运动生成和底层模仿控制，有效应对这些挑战。
我们引入一种新的运动学归一化流（KNF）模型，在大规模运动学数据集上训练，用于生成多样化的部分运动学参考。 随后训练一个高层控制器来导航 KNF 的潜在空间以利用冗余解，同时一个底层控制器学习动态一致的运动执行。 我们在配备六自由度机械臂的四足机器人上验证了该方法。
在仿真中，PAKE 在 4000 个目标的基准测试上，在跟踪精度和可行工作空间覆盖方面优于所评估的基线。 在硬件部署方面，我们在 8 个不同的移动操作任务上评估了系统共 24 个回合。 系统实现了 4.5 厘米和 0.14 弧度的末端执行器位姿跟踪误差，同时保持准确的移动跟踪，线速度和角速度误差分别为 0.1 米/秒和 0.01 弧度/秒。
我们的方法为高自由度机器人系统中精确且泛化的全身移动操作提供了一种实用而强大的解决方案，在多样化的下游机器人任务中具有广阔潜力。