arXiv · cs.RO· Taiga Ikeshima; Sheila Sutjipto; Lan Wu; Francisco J. Naranjo-Campos; Taiki Ishigaki; Taisuke Kobayashi; Teresa A. Vidal-Calleja; Eiichi Yoshida·· 9 天前精选AI 评分67
论文 / 摘要阅读
距离场驱动强化学习实现机械臂反应式避障
Distance Field Driven Reinforcement Learning for Reactive and Robust Collision Avoidance
AI 导读 · 根据来源整理
论文提出一种将欧氏距离场（EDF）直接纳入观测空间的强化学习框架，为智能体提供连续几何线索以支持稳定、反应式的避障行为。该方法在7自由度冗余机械臂上验证，实现了从仿真到真实硬件的零样本迁移；尽管训练仅使用随机静态物体，部署后的策略仍能泛化到此前未见的真实环境，并对动态障碍物表现出在线避障能力。作者认为，EDF表示有助于缓解仿真到现实的差距。
本站目前提供摘要
以上是对来源材料的中文整理，不是完整论文或全文。研究方法、数据与完整论述请到来源页面核对。
前往 arXiv · cs.RO 阅读原文 ↗来源：arXiv · cs.RO · arxiv.org