杂乱场景下多目标物体的高效推抓代码

机器人在非结构化环境中的智能操作是人工智能的重要应用领域，这意味着机器人必须具有自主认知和自主决策的能力。这类环境的典型例子是物体堆积在一起的杂乱场景。其中，目标可能是一个或多个，有效地完成目标抓取任务是一个挑战。本研究提出了一种基于强化学习的多目标抓取方法。该方法的关键是考虑所有目标的状态，使推动作尽可能扩大所有目标的抓取空间，达到推和抓取动作总数最少的目的，从而提高整个系统的效率。我们采用多目标的掩模融合，明确了可抓取概率的概念，并给出了多目标推抓取的奖励机制以及额外奖励。在仿真系统和实际系统中进行了实验。实验结果表明，与其他方法相比，该方法在杂乱场景下对多目标和单目标均有更好的性能表现。所学策略在仿真下完成训练，迁移到真实系统无需再训练或微调。