杂乱场景下扁平多目标物体的预抓取操作学习代码

受机器人夹持器宽度的限制，书本、盘子等平面物体很难垂直捕捉，尤其是平面目标可能是一个或多个杂乱的，任务将更具挑战性。预抓握操作可以使物体重新排列并移动到工作台边缘，实现可抓握。本研究将该任务转化为参数化动作马尔可夫决策过程，并提出了基于深度强化学习的方法来解决该问题。为了提高数据利用率，采用权值共享策略网络对每个对象的滑动原语参数进行预测，然后通过Q网络从所有对象中选择最优的执行对象。考虑到原始图像的噪声和复杂性，我们采用对象和桌面的掩模图像作为一种策略状态。同时，为了提高多扁平目标下的动作效率，增加了额外的奖励机制。在仿真中，所提方法以较高的任务成功率和较少的动作次数实现了预抓取操作。