摘要
全臂操控涉及在与环境的直接接触中，通过在多个连接部位分配接触来完成任务。这种设置打破了许多基于学习的操控流程中的常见隐含假设：手臂配置紧密耦合运动与接触力，接触状态在遮挡下部分可观测，且纯学习的回滚可能在分布变化下变得物理不一致，因为许多多链接接触配置在数据中稀疏表示。
为了解决这些问题，我们提出了 TACTIC（触觉与视觉条件下的接触中心控制），这是一种用于全臂操控的递归控制器。TACTIC 使用一种接触中心的混合预测模型，结合 RGB-D、分布式触觉传感器和紧凑的 2D 近似表示。该模型将学习的基于动作的潜在动态模型与通过接触雅可比矩阵的解析运动学耦合，使得能够预测未来的接触配置和交互力。
TACTIC 将这些预测集成到一个基于采样的模型预测控制（MPC）规划器中，采用接触感知的动作采样：基于接触雅可比矩阵的投影引导采样的动作序列朝向力调节方向，且在预测的接近度和交互力上定义的目标在任务进展与全臂力调节之间进行权衡。我们在仿真中评估 TACTIC，相较于最先进的基于模型和无模型的方法，TACTIC 一直表现优异，并进行消融实验以隔离每个设计选择的贡献。
我们进一步展示了在具有分布式触觉感知的机器人上进行的实际应用，涵盖了三个全臂操控任务，这些任务需要多接触轨迹：翻转和重新定位一个人形模型，以及在三维动态迷宫中达到目标。
博主点评： TACTIC 的提出为全臂操控领域带来了新的思路，通过结合触觉和视觉信息，显著提高了任务执行的稳定性和准确性。其在动态环境中的应用展示了机器人技术的前沿进展，尤其是在处理多接触情况时的创新方法。此研究不仅为工业自动化提供了参考，也为未来机器人自主操作奠定了基础。