TontonTremblay/jaco-pick-experiment-tmp

# Jaco vs Franka Pick Task Comparison

## Experiment Setup
- **Scene**: iTHOR house 1
- **Seed**: 42
- **Episodes**: 2 per robot
- **Task**: Pick (pick up object)

## Results

| Robot | Success Rate | Episodes | Notes |
|-------|-------------|----------|-------|
| Franka (Droid) | 100% | 2/2 | Works reliably |
| Jaco | 0% | 0/1 | IK failures during path execution |

## Key Finding

The Jaco robot fails due to IK failures during interpolated path following, NOT because of:
- Grasp selection (grasps are the same for both robots)
- Initial IK feasibility check (passes)
- Final pose reachability (endpoints are feasible)

The issue is that Jaco's IK solver cannot reliably track all intermediate poses along the motion path. Franka succeeds because:
1. It has a larger workspace
2. Its IK solver handles path interpolation better

## Recommendations

1. **Use cuRobo** for motion planning instead of IK-based path following
2. **Generate Jaco-specific grasps** that are more conservative
3. **Reduce motion speed** further to give IK more time
4. **Consider trajectory optimization** instead of linear interpolation

## Files

- `franka_baseline/` - Franka experiment (100% success)
- `jaco_comparison/` - Jaco experiment (0% success)
- `JACO_IK_INVESTIGATION.md` - Detailed analysis
- `jaco_datagen_configs.py` - Jaco configuration with tuned parameters

# Jaco与Franka抓取任务对比研究

## 实验设置
- **场景**：iTHOR房屋1
- **随机种子**：42
- **测试回合数**：单机器人2回合
- **任务**：抓取（拾取目标物体）

## 实验结果

| 机器人 | 成功率 | 测试回合数 | 备注 |
|-------|-------------|----------|-------|
| Franka（Droid） | 100% | 2/2 | 运行稳定可靠 |
| Jaco | 0% | 0/1 | 路径执行时出现逆运动学（Inverse Kinematics，IK）故障 |

## 核心发现
Jaco机器人的任务失败源于插值路径跟随过程中的逆运动学故障，而非以下因素：
- 抓取方案选择（两台机器人采用完全一致的抓取方案）
- 初始逆运动学可行性校验（已通过）
- 最终位姿可达性（末端目标点位均满足可达要求）

本次故障的核心原因在于Jaco的逆运动学求解器无法稳定跟踪运动路径上的所有中间位姿。Franka能够顺利完成任务的原因在于：
1. 其工作空间更大
2. 其逆运动学求解器对路径插值的处理效果更优

## 优化建议
1. **采用cuRobo**进行运动规划，替代基于逆运动学的路径跟随方案
2. **生成适配Jaco机器人的保守型抓取方案**
3. 进一步降低运动速度，为逆运动学求解预留更多运算时间
4. **考虑采用轨迹优化方法**替代线性插值方案

## 相关文件
- `franka_baseline/`：Franka实验数据集（成功率100%）
- `jaco_comparison/`：Jaco实验数据集（成功率0%）
- `JACO_IK_INVESTIGATION.md`：详细分析文档
- `jaco_datagen_configs.py`：包含调优参数的Jaco配置脚本

搜集汇总

数据集介绍

构建方式

在机器人操作领域，数据集的质量直接影响算法评估的准确性。Jaco-pick-experiment-tmp数据集构建于iTHOR仿真环境中的房屋场景，采用固定随机种子42以确保实验可复现性。数据采集过程涉及两种机器人——Franka与Jaco，各自执行两次抓取任务，专注于物体拾取动作的完整记录。数据生成时，通过对比两种机器人在相同任务下的表现，系统记录了运动路径、逆运动学求解状态及任务成功率等关键指标，为后续分析提供了结构化基础。

使用方法

研究者可利用该数据集进行机器人抓取任务的性能评估与算法诊断。首先，通过加载数据集中的配置文件与实验日志，复现Franka与Jaco在iTHOR环境中的抓取过程，对比两者在逆运动学求解与路径跟踪方面的差异。其次，结合附带的详细分析文档，识别Jaco机器人的具体失败原因，并测试数据集推荐的运动规划替代方案，如使用cuRobo进行轨迹优化。最终，数据集可作为基准，用于开发更稳健的抓取策略或改进现有逆运动学求解器的插值能力。

背景与挑战

背景概述

在机器人操作与灵巧抓取研究领域，机器人执行拾取任务的能力是评估其自主性与实用性的核心指标。jaco-pick-experiment-tmp数据集由相关研究团队于近期构建，旨在系统比较Jaco与Franka两种机械臂在模拟家庭环境（iTHOR场景）中的拾取性能。该数据集聚焦于机器人运动规划与逆运动学求解的可靠性问题，通过控制实验变量，揭示了不同机械臂硬件架构与算法实现对任务成功率的影响。其核心研究问题在于探究机器人工作空间、逆运动学求解器鲁棒性等内在因素如何制约复杂操作任务的执行，为后续优化运动规划算法与抓取策略提供了关键实证依据。

当前挑战

该数据集所针对的机器人拾取任务面临多重挑战。在领域问题层面，机械臂需在动态、非结构化的模拟家庭环境中实现稳定抓取，这要求运动规划算法能够精确处理路径插值过程中的连续姿态可达性，并克服逆运动学求解器在跟踪中间位姿时可能出现的失败。构建过程中的挑战则具体体现为：实验设计需严格控制变量以确保比较的公平性，例如统一抓取选择与初始可行性检查；同时，数据生成需针对特定机器人（如Jaco）调整配置参数，以识别其运动学局限，并探索替代方案（如使用cuRobo进行运动规划或生成保守型抓取）来缓解逆运动学求解的固有缺陷。

常用场景

经典使用场景

在机器人操作领域，Jaco与Franka机械臂的抓取任务对比数据集为机器人运动规划与逆运动学（IK）求解器的性能评估提供了经典场景。该数据集通过模拟iTHOR家居环境中的物体抓取任务，系统比较了不同机械臂在执行相同路径插值运动时的成功率，尤其聚焦于IK求解器在跟踪中间姿态时的可靠性差异。这一场景常用于验证机器人硬件与算法在复杂动态环境中的协同效能，为后续优化提供基准数据。

解决学术问题

该数据集揭示了机器人学中一个关键学术问题：逆运动学求解器在路径插值过程中的稳定性瓶颈。传统研究常假设初始与最终姿态可行即保证路径全程可达，但本数据集通过实证表明，机械臂如Jaco因IK求解器无法可靠跟踪所有中间姿态而导致任务失败。这推动了学术界对运动规划中轨迹优化、保守抓取生成以及专用求解器（如cuRobo）的深入研究，弥补了理论模型与实际执行间的鸿沟。

实际应用

在实际机器人部署中，该数据集为工业与服务型机械臂的选型与算法配置提供了直接参考。例如，在仓储分拣或家庭服务场景中，Franka机械臂凭借更大工作空间与稳健的IK求解器展现出高可靠性，而Jaco机械臂则需通过降低运动速度、生成保守抓取策略或采用轨迹优化方法以提升操作成功率。这些发现指导工程师针对特定硬件调整运动规划参数，增强机器人在真实环境中的适应能力。

数据集最近研究

最新研究方向

在机器人操作与抓取任务领域，Jaco与Franka机械臂的性能对比研究揭示了运动规划中逆运动学（IK）求解的关键瓶颈。当前前沿方向聚焦于提升复杂路径下的IK鲁棒性，通过引入cuRobo等先进运动规划库替代传统线性插值方法，以优化轨迹生成。热点事件包括基于iTHOR仿真环境的抓取实验，强调机械臂工作空间与IK求解器适应性对任务成功率的影响。这一研究推动了机器人抓取策略向更保守、定制化的方向发展，对自动化抓取系统的实际部署具有重要指导意义。