Dexterous Non-Prehensile Manipulation for Ungraspable Object via Extrinsic Dexterity
作者: Yuhan Wang, Yu Li, Yaodong Yang, Yuanpei Chen
分类: cs.RO
发布日期: 2025-03-29
备注: 14 pages, 6 figures
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
ExDex：利用外在灵巧性，实现灵巧手对超大物体的非抓取操作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 灵巧操作 非抓取操作 强化学习 机器人控制 外在灵巧性
📋 核心要点
- 现有方法难以抓取底面积过大的物体，限制了机器人操作的范围和灵活性。
- ExDex利用强化学习训练灵巧手，通过与环境交互，实现对无法直接抓取物体的操作。
- 实验表明，ExDex在仿真和真实机器人上均表现出良好的性能和泛化能力，无需额外训练即可迁移。
📝 摘要（中文）
当物体底面积过大，超出机械臂末端执行器的最大张开度时，物体将变得无法抓取。现有方法通过外在灵巧性，即利用环境特征进行非抓取操作来解决这一限制。虽然夹爪在该领域取得了一些成功，但灵巧手提供了更强的灵活性和操作能力，从而能够实现更丰富的环境交互，但也带来了更大的控制挑战。本文提出了ExDex，一个灵巧的臂手系统，它利用强化学习来实现非抓取操作，从而抓取无法抓取的物体。我们的系统学习了两个策略性操作序列：将物体从桌子中心重新定位到边缘以便直接抓取，或者移动到墙壁，通过环境交互实现抓取。我们通过对数十种不同的家用物品进行的大量实验验证了我们的方法，证明了其卓越的性能和对新物体的泛化能力。此外，我们成功地将学习到的策略从仿真转移到真实世界的机器人系统，而无需额外的训练，进一步证明了其在现实场景中的适用性。
🔬 方法详解
问题定义：论文旨在解决机械臂末端执行器无法直接抓取底面积过大物体的问题。现有方法通常依赖夹爪，但灵巧性不足，难以有效利用环境进行操作。因此，如何利用灵巧手和环境交互来实现对“不可抓取”物体的操作是一个挑战。
核心思路：论文的核心思路是利用强化学习训练灵巧手，使其学会通过非抓取操作（non-prehensile manipulation）来改变物体的位置和姿态，最终实现抓取。具体而言，系统学习将物体移动到易于抓取的位置（如桌子边缘）或利用墙壁等环境特征辅助抓取。
技术框架：ExDex系统包含一个灵巧臂手（dexterous arm-hand）和一个强化学习框架。该框架学习两种策略：1) 将物体从桌子中心移动到边缘，以便直接抓取；2) 将物体移动到墙壁附近，利用墙壁作为支撑进行抓取。强化学习算法（具体算法未知）用于训练策略网络，该网络控制灵巧手的动作。
关键创新：该论文的关键创新在于将强化学习与灵巧手控制相结合，实现了对“不可抓取”物体的非抓取操作。与传统方法相比，ExDex能够更有效地利用环境信息，并通过学习策略来适应不同的物体和场景。此外，成功实现了从仿真到真实的策略迁移，无需额外训练。
关键设计：论文中强化学习的具体算法、奖励函数、网络结构等关键设计细节未知。但可以推测，奖励函数的设计需要引导灵巧手将物体移动到目标位置，并惩罚不必要的动作。网络结构可能采用分层结构，分别控制手臂和手的动作。仿真环境的构建也至关重要，需要尽可能模拟真实世界的物理特性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ExDex系统在仿真环境中能够成功地学习到操作策略，并能够将这些策略零样本迁移到真实机器人上，无需额外的训练。该系统在处理各种家用物品时表现出良好的泛化能力，证明了其在实际应用中的潜力。具体的性能指标和对比基线数据未知。
🎯 应用场景
该研究成果可应用于各种需要操作大型或形状不规则物体的场景，例如：家庭服务机器人、工业自动化、仓储物流等。通过提高机器人对复杂环境的适应性和操作能力，可以实现更高效、更灵活的自动化生产和服务。
📄 摘要（原文）
Objects with large base areas become ungraspable when they exceed the end-effector's maximum aperture. Existing approaches address this limitation through extrinsic dexterity, which exploits environmental features for non-prehensile manipulation. While grippers have shown some success in this domain, dexterous hands offer superior flexibility and manipulation capabilities that enable richer environmental interactions, though they present greater control challenges. Here we present ExDex, a dexterous arm-hand system that leverages reinforcement learning to enable non-prehensile manipulation for grasping ungraspable objects. Our system learns two strategic manipulation sequences: relocating objects from table centers to edges for direct grasping, or to walls where extrinsic dexterity enables grasping through environmental interaction. We validate our approach through extensive experiments with dozens of diverse household objects, demonstrating both superior performance and generalization capabilities with novel objects. Furthermore, we successfully transfer the learned policies from simulation to a real-world robot system without additional training, further demonstrating its applicability in real-world scenarios. Project website: https://tangty11.github.io/ExDex/.