PRISM: Projection-Integrated Sampling-Based MPC with Bayesian Cost Tuning for Bimanual Manipulation
本文提出了 PRISM，一种用于双臂操作的 GPU 加速模型预测控制框架，该框架结合了用于可行轨迹采样的 QP 引导投影、一种定制的高效求解器以及贝叶斯代价调优，从而在接触丰富的环境中实现了鲁棒、实时的性能以及成功的从仿真到现实的迁移。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，机器人一直是工厂车间的专家，每天重复着成千上万次同样的精确动作。但当环境发生变化，或者当任务需要两只手臂在拥挤的空间内协同工作时，传统的编程往往会失效。挑战在于协调：如何让两个机械臂在避开障碍物、稳住物体并实时对物理世界做出反应的同时，实现完美的同步运动。多年来，研究人员一直试图通过向机器人展示数以千计的示例来教会它们这项技能，希望机器能从中学习到模式。然而，当机器人遇到从未见过的场景时——例如新的障碍物布局或略有不同的物体——这种方法就会显得力不从心。为了解决这个问题，一个研究团队开发了一种让机器人能够“随机应变”的新方法，该方法基于物理定律从零开始规划每一次移动，而不是依赖过去的记忆。
研究人员利用双机械臂开发了一个名为 PRISM 的系统。该系统并非试图为每种可能的情况记忆特定的解决方案，而是像在机器人计算机内部运行的一个超快速模拟器。在每一分之几秒的时间里，机器人都会考虑其机械臂在接下来的几刻钟内可以进行的数千种不同移动方式。随后，它利用强大的物理引擎，瞬间预测如果尝试每种移动会发生什么。机械臂会撞到墙壁吗？物体会滑落吗？动作是否会对电机造成过于剧烈的冲击？通过在镜像现实的虚拟世界中测试这些可能性，该系统可以瞬间剔除糟糕的想法，保留有效的方案。
这项工作的核心创新在于系统如何处理海量的可能性。过去，当机器人试图同时探索许多不同的路径时，产生的动作往往过于不稳定或在物理上无法实现，导致机器人发生震动或违反自身的规则。新方法通过充当“过滤器”解决了这个问题。在机器人模拟移动之前，该方法在数学上强制要求每一条潜在路径都是平滑且安全的。它确保机械臂不会移动过快、加速度过大，或产生会损坏机器的剧烈抖动。这使得机器人可以大胆地进行探索，尝试大胆且富有创造性的动作，同时保证最终的选择始终是平滑、安全且可执行的。
为了使这一过程更加高效，团队使用了一种称为贝叶斯优化（Bayesian optimization）的技术来自动调整机器人的优先级。你可以将其理解为一种让机器人学习如何平衡其内部目标的方法，例如是在移动速度与谨慎程度之间进行权衡，而无需人类工程师花费数小时去调节参数。系统运行了数千次模拟，每次都微调机器人对“避免碰撞”与“到达目标”的重视程度，直到找到成功的完美平衡点。这种自动化调优意味着机器人可以适应不同的任务，从搬运重箱到在两臂间传递方块，而无需为每项工作编写一套新的指令。
研究人员在充满障碍物的虚拟环境中测试了他们的系统，并成功将这些技能迁移到了真实世界的机器人上。在现实世界中，两个机械臂必须协同工作，拿起一个托盘，穿过拥挤的工作空间，并将其放置在两个障碍物之间而不掉落。他们还测试了机械臂抬起球体、互相传递方块以及搬运重箱的场景。在所有案例中，该系统都证明了比以往方法更高的可靠性。虽然旧方法在环境拥挤或任务需要精确协调时经常失败，但这个新系统在绝大多数尝试中都取得了成功。它能够保持托盘水平、稳住球体并平稳地传递方块，同时对现实世界的物理约束做出反应。
其中一个最重要的发现是系统如何处理它从未见过的状况。当研究人员在原本训练好的机器人路径上放置一个新的障碍物时，旧的学习型方法往往会因为新情况与训练数据不匹配而导致机器人停滞或崩溃。然而，新系统只需模拟这个新障碍物，便能在运行中即时找到绕行方案。它不需要重新训练，也不需要展示新的示例；它只需通过物理逻辑推导新场景，便能找到解决方案。这种适应未知情况的能力是迈向能够在仓库或家庭等动态、非结构化环境中工作的机器人的关键一步，因为在这些地方，布局永远不会完全相同。
这项研究证实，将快速物理模拟器与智能的动作过滤机制相结合，可以让机器人完成复杂的协调任务，并达到以往难以实现的鲁棒性水平。该系统运行速度极快，足以实现实时决策，每秒进行数十次计划更新。尽管研究人员指出，系统仍需要人类来定义总体的目标和任务的基本结构，但关于“如何移动”的繁重工作已由系统自动完成。这种方法为依赖大规模数据集的方法提供了一个实用的替代方案，表明通过正确的规划工具，机器人可以通过理解物理世界，而非仅仅是记忆物理世界，来学会如何在其中穿行。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。