arXiv Robotics· Xun Tu, Minghao Zou, Karthik Desingh·· 13 小时前AI 评分38
Grasp-TAGS：通过 Critic 蒸馏实现抓取式移动操作的任务感知抓取选择
Grasp-TAGS: Task-Aware Grasp Selection via Critic Distillation for Prehensile Loco-Manipulation
AI 导读
Grasp-TAGS 是一个面向目标条件大物体重排的任务感知抓取选择框架，将 PPO 强化学习策略的 critic 蒸馏为轻量抓取效用网络，仅凭候选抓取配置与目标信息对抓取排序，在接触前即选出预测下游效用最高的抓取。实验平均成功率达 89.84%，比最佳单一抓取策略的 79.87% 提升 9.97 个百分点，并降低所有评估物体的最终朝向误差。
推荐理由模型分析
该工作针对大物体重排中初始抓取影响后续操作的问题，提出Grasp-TAGS：用统一PPO策略跨多种初始抓取训练，并把critic蒸馏成轻量抓取效用网络，在接触前仅凭抓取配置与目标信息排序候选抓取。实验报告平均成功率89.84%，较最佳单一抓取策略的79.87%提升9.97个百分点，并降低最终朝向误差。做移动操作与抓取选择的开发者可参考其基线设置与评测条件，但结论限于论文实验对象，尚未验证真实场景泛化。
来源：arXiv Robotics · arxiv.org