Post-Grasp Kinematic Repair for Robotic Insertion via Object-in-Gripper Reorientation
作者: Haegu Lee, Christoffer Sloth
分类: cs.RO
发布日期: 2026-10-06
💡 一句话要点
提出后抓取运动学修复方法以解决机器人插入问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人插入 运动学修复 逆运动学 触觉反馈 任务条件先验
📋 核心要点
- 核心问题：现有的抓取方法无法保证机器人在插入过程中运动学的可行性，容易导致奇异性和关节限制问题。
- 方法要点：提出通过物体在夹持器中的重新定向来修复运动学可行性，利用分支感知的逆运动学图进行候选评估。
- 实验或效果：在UR5e仿真中，未使用学习排序的规划器平均重新定向时间减少51.5%，添加学习排序后平均规划时间再减少51.1%。
📝 摘要（中文）
稳定的抓取并不保证机器人插入的运动学可行性，因为夹持物体的变换可能会导致机器人沿着预定插入路径朝向奇异点或关节极限。本文研究了通过物体在夹持器中的重新定向来实现后抓取运动学可行性修复。给定一个已实现的抓取和固定的插入路径，我们寻求一个小的重新定向，以恢复运动学可行性。我们使用分支感知的逆运动学图来评估候选方案，并利用学习的任务条件先验来改善查询排序。在UR5e仿真中，未使用学习排序的规划器在成功试验中将平均重新定向时间减少了51.5%。添加学习排序后，规划器的平均规划时间又减少了51.1%。真实机器人实验验证了完整的管道。
🔬 方法详解
问题定义：本文旨在解决机器人在执行插入任务时，由于夹持物体的变换导致的运动学不可行性问题。现有的顺序逆运动学方法可能会沿着不利的关节空间路径错过可行的重新定向候选，且非光滑的可行性景观使得搜索过程计算开销较大。
核心思路：论文提出通过物体在夹持器中的小幅重新定向来修复运动学可行性。该方法通过优化插入路径上的最小可行性边际来寻找最佳的重新定向方案，并结合学习的任务条件先验来改善候选的查询顺序。
技术框架：整体框架包括几个主要模块：首先是抓取状态的获取，其次是基于分支感知的逆运动学图构建，接着是候选方案的评估与排序，最后通过触觉反馈进行外部操控以执行选定的重新定向。
关键创新：最重要的技术创新在于引入了分支感知的逆运动学图和学习的任务条件先验，这使得在复杂的非光滑可行性景观中能够更有效地找到可行的重新定向方案，显著提高了规划效率。
关键设计：在设计中，关键参数包括插入路径的离散化处理、最小可行性边际的最大化策略，以及用于排序的学习模型，这些设计确保了在复杂环境中能够快速找到有效的解决方案。
🖼️ 关键图片
📊 实验亮点
实验结果显示，未使用学习排序的规划器在成功试验中平均重新定向时间减少了51.5%，而添加学习排序后，平均规划时间又减少了51.1%。这些结果表明该方法在效率和效果上的显著提升。
🎯 应用场景
该研究的潜在应用领域包括工业机器人、医疗机器人和服务机器人等需要精确插入操作的场景。通过提高机器人在复杂环境中的运动学可行性，该方法能够显著提升机器人在实际任务中的表现，具有重要的实际价值和未来影响。
📄 摘要（原文）
A stable grasp does not guarantee kinematically feasible robotic insertion because the object-in-gripper transform may force the robot towards singularities or joint limits along the prescribed insertion path. We study post-grasp kinematic feasibility repair through object-in-gripper reorientation. Given an achieved grasp and a fixed insertion path, we seek a small reorientation that restores kinematic feasibility. Sequential IK can miss such candidates by following an unfavorable joint-space path, while the nonsmooth feasibility landscape makes the search computationally expensive. We evaluate candidates using a branch-aware IK graph that maximizes the minimum feasibility margin over the discretized insertion path and use a learned task-conditioned prior to improve query ordering. The selected reorientation is executed through tactile-based extrinsic manipulation. In UR5e simulations, the planner without learned ranking reduces mean reorientation over successful trials by 51.5% compared with grid-based sequential IK. Adding learned ranking reduces this planner's mean planning time by an additional 51.1%. Real-robot experiments validate the complete pipeline.