MetaPusher: Meta Learning and Planning for Nonprehensile Manipulation of Unseen Objects with Rapid Online Adaption
作者: Donghyung Lee, Seyedali Golestaneh, Jaskrit Singh, Zhuoyun Zhong, Athanasios Kapoutsis, Constantinos Chamzas
分类: cs.RO
发布日期: 2026-09-17
💡 一句话要点
提出MetaPusher以解决未见物体的非抓取操控问题
🎯 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: 元学习 自适应规划 非抓取操控 动态适应 机器人技术
📋 核心要点
- 现有方法在操控未见物体时面临动态不确定性，难以有效适应物体的物理特性。
- MetaPusher通过元学习动态模型和自适应规划策略，实现了对未见物体的快速适应与操控。
- 实验结果表明，MetaPusher在未见物体的操控任务中，预测误差降低，任务成功率提高了20%。
📝 摘要（中文）
操控未见物体仍然是一个挑战，因为其动态依赖于潜在的物理属性，如摩擦和质量分布，这些无法仅通过感知推断。通过对象间的先前经验可以提供对未见物体动态的初步估计，但这种估计存在不确定性，并且在模拟到现实的转移过程中可能进一步恶化。通过交互适应动态可以逐步细化估计，但更新模型可能使计划轨迹失效。因此，成功和高效的操控需要快速的动态适应和能够融入这一演变的规划策略。本文提出了MetaPusher，一个用于未见物体非抓取操控的元学习和自适应规划框架。该框架在任务执行过程中通过交互快速适应元学习的动态模型，同时自适应的运动规划器通过重用和细化现有搜索树来更新长时间规划。该耦合使得操控和适应无需单独的数据收集阶段。
🔬 方法详解
问题定义：本论文旨在解决未见物体的非抓取操控问题，现有方法在动态适应性和规划策略上存在不足，导致操控效率低下。
核心思路：MetaPusher结合元学习和自适应规划，通过交互学习动态模型，并在任务执行中实时更新规划，旨在提高操控的灵活性和效率。
技术框架：MetaPusher的整体架构包括两个主要模块：元学习动态模型和自适应运动规划器。动态模型在任务执行中通过与物体的交互进行快速适应，而运动规划器则利用现有的搜索树进行长时间规划的更新。
关键创新：MetaPusher的创新在于将动态适应与规划策略紧密结合，允许在没有先前对象特定交互的情况下进行有效操控，这与传统方法的分离数据收集和模型更新的方式形成鲜明对比。
关键设计：在动态模型中，采用了元学习算法以快速适应物体的动态特性；运动规划器则设计了自适应机制，通过重用和细化搜索树来优化长时间规划，确保操控的连贯性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，MetaPusher在未见物体的操控任务中，预测误差显著降低，并且任务成功率提高了20%。与传统的微调和主动学习方法、基于MPPI的控制以及强化学习策略相比，MetaPusher展现出更优的性能，验证了其有效性。
🎯 应用场景
该研究的潜在应用领域包括机器人抓取、自动化仓储和智能制造等。通过提高机器人对未见物体的操控能力，MetaPusher能够显著提升自动化系统的灵活性和适应性，推动智能机器人在复杂环境中的应用。未来，该技术可能在家庭服务机器人和工业自动化等领域发挥重要作用。
📄 摘要（原文）
Manipulating previously unseen objects remains challenging, as their dynamics depend on latent physical properties, such as friction and mass distribution, that cannot be inferred from perception alone. Prior experience across objects can provide an initial estimate of unseen object dynamics, but this estimate remains uncertain and can degrade further during sim-to-real transfer. Adapting the dynamics through interaction can progressively refine the estimation, however, updating the model may invalidate the planned trajectory. Successful and efficient manipulation therefore requires both rapid dynamics adaptation and a planning strategy that can incorporate this evolution. In this work, we introduce MetaPusher, a meta-learning and adaptive planning framework for nonprehensile manipulation of unseen objects without prior object-specific interactions. A meta-learned dynamics model rapidly adapts from interactions during task execution, while an adaptive kinodynamic planner updates long-horizon plans by reusing and refining its existing search tree. This coupling enables manipulation and adaptation without a separate data collection phase. We evaluate MetaPusher on unseen objects in simulation and in sim-to-real scenarios, comparing against fine-tuning and active learning methods, MPPI-based control, and a reinforcement learning policy. It achieves lower prediction error and improves task success rate by up to 20%.