针对机器人自主维修任务中长时程规划的连贯性与局部操作的高精度性难以兼顾的问题,提出了一种混合模仿学习策略(hybrid ACT-diffusion,HAD)。该策略利用action chunk with transformer(ACT)模块生成全局动作序列,并创新提出一种维修关...针对机器人自主维修任务中长时程规划的连贯性与局部操作的高精度性难以兼顾的问题,提出了一种混合模仿学习策略(hybrid ACT-diffusion,HAD)。该策略利用action chunk with transformer(ACT)模块生成全局动作序列,并创新提出一种维修关键步骤识别机制,以激活轻量级Diffusion模型仅对高精度操作环节(如工具-零件接触、部件精确就位)进行精炼。在模拟的“损伤管线接头连接”任务中进行了200次独立对比评估,HAD策略将任务成功率相较于基准方法分别提升了25%和70%。结果表明,所提策略通过智能地分配计算资源,有效解决了长时程规划与高精度操作的矛盾,为实现机器人在野战环境下的自主维修提供了新的技术途径。展开更多
文摘针对机器人自主维修任务中长时程规划的连贯性与局部操作的高精度性难以兼顾的问题,提出了一种混合模仿学习策略(hybrid ACT-diffusion,HAD)。该策略利用action chunk with transformer(ACT)模块生成全局动作序列,并创新提出一种维修关键步骤识别机制,以激活轻量级Diffusion模型仅对高精度操作环节(如工具-零件接触、部件精确就位)进行精炼。在模拟的“损伤管线接头连接”任务中进行了200次独立对比评估,HAD策略将任务成功率相较于基准方法分别提升了25%和70%。结果表明,所提策略通过智能地分配计算资源,有效解决了长时程规划与高精度操作的矛盾,为实现机器人在野战环境下的自主维修提供了新的技术途径。
