- 快速抓取**自由飞行物体(free-flying objects)** 十分困难，主要原因包括**反应时间短(short reaction time)**、**冲击不确定性(impact uncertainty)** 以及**运动动力学约束(kinodynamic constraints)**
- 现有方法往往依赖在线非线性优化，难以满足实时性要求，且缺乏对**冲击吸收(impact absorption)** 与**捕获稳定性(capture stability)** 的有效考虑
- 在仿真环境中使用**强化学习(reinforcement learning)** 收集大量成功的抓取轨迹，并学习一个**低维动力学轨迹流形(low-dimensional kinodynamic trajectory manifold)**
- 运行时，将估计的物体初始状态直接映射为参考抓取轨迹，**无需在线非线性优化(no online nonlinear optimization)**
- 在接近接触时采用**柔顺控制(compliant control)** 进行轨迹跟踪，以改善冲击吸收与捕获稳定性
- **首次** 将**动力学轨迹流形(kinodynamic trajectory manifold)** 学习应用于快速物体抓取，避免了在线优化带来的计算开销
- 提出一种**冲击感知(impact-aware)** 的柔顺控制策略，在接触阶段动态调节机械臂刚度，有效吸收冲击并提升捕获成功率
- 实现了从物体状态估计到参考轨迹的**直接映射(direct mapping)**，显著缩短反应时间，满足实时性要求
- 为**快速运动物体抓取(fast-moving object catching)** 提供了一种高效且鲁棒的**无在线优化范式(optimization-free paradigm)**
- 通过流形学习与柔顺控制的结合，在仿真环境中验证了**高成功率** 与**强稳定性**，为实际机器人应用奠定了基础
- 提出的方法可推广至其他需要快速动态响应的操作任务，如**空中捕获(airborne catching)** 或**高速装配(high-speed assembly)**