Manifold Generative Annealing for Contact Constraint-aware Impedance Control with Reinforcement Learning Prior

arXiv:2610.21140v1 公告类型：新

摘要：接触密集型机器人任务需要在不确定的交互动力学与物理约束下实现运动与阻抗的协调。尽管近期基于学习策略的方法提供了有用的交互策略，但当接触条件与训练时遇到的情况不同时，这些方法可能失效。基于模型的生成式方法在滚动时域轨迹优化方面展现出有前景的结果，但往往缺乏结构化的行为引导与细化机制，以联合考虑约束几何与实际接触响应。为此，我们提出流形生成退火（Manifold Generative Annealing，MGA），一种无模型与基于模型相结合的联合生成式框架，用于运动—阻抗优化。MGA首先将预训练的强化学习策略组织为结构化序列提议，在保留任务特定交互策略的同时不承诺其执行。随后，它通过基于模型的推演（rollout）将这些提议与探索性样本一同评估，以进行细化或单独的执行选择。关键在于，实现感知的流形细化（realization-aware manifold refinement）使来自细化库的更新与任务约束及局部可实现的物理响应相对齐，从而让学习到的经验能够在接触条件变化时引导在线适应。实验涵盖表面扫描、销钉插入和人形机器人推压任务，在标称与传感偏移条件下提升了阻抗控制的安全成功率。