← 返回论文列表

QDTraj：面向铰接物体机器人操作的多样化轨迹原语探索
QDTraj: Exploration of Diverse Trajectory Primitives for Articulated Objects Robotic Manipulation

作者: Mathilde Kappel, Mahdi Khoramshahi, Louis Annabi 等5人
arXiv: 2604.22551v1
分类: cs.RO, cs.AI
📝 论文摘要
得益于学习和机器人技术的最新进展，家用机器人开始进入家庭，旨在自主完成家务。然而，机器人在开放环境中执行自主操作任务仍面临挑战。在此背景下，本文提出了一种使机器人能够操作多种关节物体的方法。 本文自动生成不同的机器人底层轨迹原语，以操作给定的物体关节。生成专家轨迹时极为重要的一点是考虑实现同一目标的解决方案的多样性。实际上，了解完成同一任务的不同底层原语，能使机器人在现实环境中根据实时约束和意外变化选择最优解。为此，我们提出了一种基于质量-多样性算法的方法，利用稀疏奖励探索，为给定操作任务生成一组多样且高性能的轨迹原语。 我们通过仿真生成多样化轨迹并在真实世界中部署，验证了所提方法QDTraj的有效性。在铰链和滑块激活任务中，QDTraj生成的轨迹多样性至少是其他对比方法的5倍。我们评估了该方法在PartNetMobility关节物体数据集中30种关节上的泛化能力，每个任务平均生成704条不同轨迹。代码已公开：https://kappel.web.isir.upmc.fr/trajectory_primitive_website

📊 核心分析

🎯 研究动机
- 家庭机器人难以在开放环境中自主操作**铰接物体(articulated objects)**，现有方法缺乏多样性轨迹基元 - 实际部署中需要面对实时约束和意外变化，单一轨迹无法应对，因此需要**多种解决方案(solutions)**供机器人选择最优策略 - 研究背景：尽管学习与机器人技术取得进展，但自主操作仍受限于轨迹生成的单一性和泛化能力不足
🔧 核心方法
- 提出**QDTraj**框架，基于**质量-多样性(Quality-Diversity, QD)**算法自动生成机器人低级轨迹基元 - 采用**稀疏奖励探索(sparse reward exploration)**策略，在给定操作任务中产生一组**多样化且高性能(diverse and high-performing)**的轨迹 - 针对每个铰接物体（如合页、滑块）自动生成不同低级运动指令，覆盖多种实现同一目标的路径
💡 核心创新
- **首次将QD算法引入铰接物体操作**：利用质量-多样性优化同时追求轨迹性能与行为多样性，区别于传统只关注单一最优解的方法 - **强调轨迹多样性对实际部署的重要性**：机器人可根据实时约束选择最优基元，提升灵活性与鲁棒性 - **生成轨迹数量远超现有方法**：对合页和滑块任务生成的轨迹多样性至少提高5倍，且在PartNetMobility数据集上平均每任务生成704条不同轨迹
🏆 总体贡献
- 为**铰接物体操作(articulated objects manipulation)**提供了一种**自动生成多样化轨迹基元**的新范式 - 通过模拟训练和真实世界验证，证明了方法在多种铰接类型上的**泛化能力(generalization)** - 开源代码（提供链接）促进可复现研究，推动家庭机器人自主操作领域的进步