Contact-Implicit Stein Projected ADMM for Discovery of Diverse Contact-Rich Manipulation Strategies
作者: Hrishikesh Sathyanarayan, Christian Hughes, Ian Abraham
分类: cs.RO
发布日期: 2026-09-23
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出接触隐式Stein投影ADMM以发现多样化的接触丰富操作策略
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 接触隐式优化 多样化策略 交替方向乘子法 Stein变分推断 机器人操作 接触丰富任务
📋 核心要点
- 现有的接触隐式轨迹优化方法在求解时容易陷入局部最优解，导致操作策略缺乏多样性和灵活性。
- 本文提出了一种结合Stein变分推断的共识交替方向乘子法（ADMM），旨在发现多样化的接触丰富操作策略。
- 实验结果表明，该方法在推动、抓取和多机器人交接等任务中表现优异，能够有效发现独特的接触模式。
📝 摘要（中文）
接触隐式轨迹优化将接触丰富的操作形式化为单一的约束程序，但该程序运行时往往会陷入多个有效接触模式、抓取或推动方向中的一个局部最优解。因此，生成的操作策略不易改变且对初始化敏感。为促进稳健的操作，本文研究了如何使接触隐式求解器能够发现多样化的接触丰富策略。我们的方法推导了一种结合Stein变分推断方法的共识交替方向乘子法（ADMM）变体，以输出一组不同的接触丰富解。我们发现，将Stein排斥力应用于ADMM的分裂变量（而非其原始形式）可以有效覆盖可行接触策略的集合，而不会过早停滞求解器。我们在多种接触丰富操作任务上验证了该方法的有效性，包括推动、抓取和多机器人交接。最后，我们发现所提出的求解器在形式上更简单，并且能够发现独特的接触模式，相较于现有求解器具有优势。
🔬 方法详解
问题定义：本文旨在解决接触隐式轨迹优化中，求解器容易陷入局部最优解的问题，导致操作策略缺乏多样性和灵活性。现有方法对初始化敏感，难以探索多种有效的接触模式。
核心思路：我们提出了一种新的求解方法，通过结合Stein变分推断与共识交替方向乘子法（ADMM），使求解器能够输出多样化的接触丰富解。通过对ADMM的分裂变量施加Stein排斥力，增强了对可行接触策略的覆盖能力。
技术框架：该方法的整体架构包括三个主要模块：首先，定义接触隐式轨迹优化问题；其次，应用Stein变分推断来引导ADMM的求解过程；最后，输出一组多样化的接触丰富操作策略。
关键创新：最重要的技术创新在于将Stein排斥力应用于ADMM的分裂变量，而非其原始形式，这一设计使得求解器在探索接触策略时更加高效，避免了过早停滞。
关键设计：在参数设置上，调整了ADMM的步长和收敛阈值，以适应Stein变分推断的引导。此外，损失函数设计考虑了接触模式的多样性，以确保输出解的丰富性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的Stein投影ADMM方法在多种接触丰富操作任务中表现优异，相较于现有求解器，能够发现更多独特的接触模式，提升了操作策略的多样性和灵活性。具体性能数据和对比结果将在附带的视频和代码中展示。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和人机交互等场景，能够为复杂的接触丰富操作提供多样化的策略选择，提升操作的灵活性和效率。未来，该方法有望在更多实际应用中发挥重要作用，推动智能机器人技术的发展。
📄 摘要（原文）
Contact-implicit trajectory optimization formulates contact-rich manipulation as a single constrained program; however, that single program run collapses onto one local optimum out of many equally valid contact modes, grasps, or push directions. As a consequence, the resulting manipulation strategy is reluctant to change and sensitive to initialization. In order to promote robust manipulation, this paper investigates how contact-implicit solvers can discover diverse contact-rich strategies. Our approach derives a variation of Consensus Alternating Direction Method of Multipliers (ADMM) combined with Stein variational inference methods to output a set of distinct contact-rich solutions. We find that applying the Stein repulsive force to ADMM's split variable (rather than its primal form) allows for effective coverage over the set of feasible contact strategies without prematurely stalling the solver. We demonstrate the effectiveness of our approach on a variety of contact-rich manipulation tasks, including pushing, grasping, and multi-robot handover. Last, we find the proposed solver is simpler in form and capable of discovering unique contact modes when compared with existing solvers. Videos and code with examples are found in https://anon-website-submission.github.io/stein-admm-website/.