Роботизированный захват объектов в реальных условиях логистики и производства долгое время упирался в дорогостоящую архитектурную дилемму. Сквозные нейросетевые алгоритмы требуют непомерно затратного переобучения под каждую новую модель манипулятора, а классические аналитические планировщики выходят из строя из-за сенсорного шума в неструктурированных завалах. Исследование, опубликованное в Nature Machine Intelligence, представляет SpaHybGen — гибридный фреймворк, созданный для преодоления этого компромисса путем разделения восприятия контактов и кинематического исполнения.
Вместо обучения сквозных контроллеров, привязанных к конкретному манипулятору, SpaHybGen задействует нейросеть для извлечения пространственных контактных возможностей напрямую из зашумленных данных глубины. Эти аппаратное-независимые данные о точках контакта затем поступают в дифференцируемый аналитический оптимизатор, который рассчитывает стабильное силовое замыкание для любых кинематических моделей захватов. Обрабатывая физику аналитически, а восприятие — с помощью нейросетей, архитектура обеспечивает развертывание на различных механических манипуляторах в режиме zero-shot без необходимости переобучения.
В ходе бенчмарков SpaHybGen продемонстрировал от 94,3% до 98,0% успешных захватов на семи различных роботизированных манипуляторах (от двух до пяти пальцев) в условиях умеренных завалов. Система также поддерживала динамическое перепланирование в замкнутом контуре на частоте 20 Гц в плотных завалах и при координации нескольких манипуляторов. Открывая исходный код и модели, исследователи предлагают готовый инструмент для снижения капитальных затрат на автоматизацию складов и фабрик, радикально уменьшая инженерные издержки при замене робототехники в существующих логистических цепочках.