一种基于元学习的机器人操作柔性物体的控制方法及系统

本发明涉及机器人操作，尤其涉及一种基于元学习的机器人操作柔性物体的控制方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在机器人操作技术领域，相较于刚性物体的操控，柔性物体的自动操纵面临着更为严峻的技术挑战。这主要源于柔性物体（如毛巾、衣物等）在受力时易发生连续形变，其状态空间具有高维且非线性的特性。尤其当目标物体处于非结构化的任意褶皱或堆叠状态时，其初始构型高度不确定，进一步加剧了操作难度。

3、现有技术中，部分研究聚焦于已预先铺平或半铺平状态下的柔性物体折叠任务。此类方案通常假设物体初始状态相对规整，环境结构化程度较高。然而，在实际生活场景（如家务整理、医疗服务或工业分拣）中，机器人需要应对的往往是任意团状、无序堆叠或严重褶皱的柔性物品，例如将一团混乱的毛巾完整展开。在此类褶皱展开任务中，核心技术瓶颈集中于两个方面：其一，物体形态的极度不确定性导致精确物理建模极为困难；其二，操作过程中物体构型随动作实时演化，具有强动态性与不可预测性。

4、针对上述问题，已有研究者尝试采用模仿学习结合二次规划的方法进行求解。该类方法依赖专家示范数据来构建映射策略。但其固有缺陷在于：由于褶皱状态的组合可能性近乎无限，专家数据集难以覆盖所有潜在的初始构型，致使训练所得模型的泛化能力严重不足，面对未见过的褶皱分布时，动作规划误差显著增大，任务成功率急剧下降。

5、此外，与刚体对象操作不同，柔性体的展开并非单步可完成的“点对点”映射，而是一个典型的长程任务。其成功执行依赖于机器人执行一系列连贯、有序的抓取-移位-再抓取动作，逐步引导物体从高度无序的初始状态向平整的终态构型演进。在这一序贯决策框架下，当前主流方法多采用贪婪策略进行在线操作点选取，即每一步均依据某种即时收益指标（如最大化当前视野下的覆盖面积或最小化局部曲率）独立决策。然而，该策略存在显著的技术局限性：由于每一步的决策仅着眼于短期收益，极易导致整体操作过程陷入局部最优陷阱。具体而言，某一抓取动作虽能在当前步骤获得较高的视觉或几何奖励值，但该动作可能将毛巾拉伸至一种结构不利的“伪稳定”状态，例如在物体中部形成死结、交叉重叠或遮挡后续可抓取区域，从而严重压缩后续步骤的可行操作空间。一旦进入此类不利构型，由于缺乏全局回溯与前瞻性机制，机器人往往无法通过后续动作进行有效修正，最终造成整个展开任务的执行失败。

技术实现思路

1、针对现有柔性物体展开技术在应对任意褶皱状态时，存在泛化性弱、长程规划能力不足及易陷入局部最优解等突出问题，本发明提供一种基于元学习的机器人操作柔性物体的控制方法及系统，以u-net作为视觉特征提取的主干网络，通过融合局部纹理细节、候选动作信息以及全局形状上下文，对所有潜在决策点进行价值评估，从而精确输出最优操作点位置，实现对柔性物体的抓取点与放置点的联合优化。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于元学习的机器人操作柔性物体的控制方法。

4、一种基于元学习的机器人操作柔性物体的控制方法，包括：

5、基于输入图像，采用全卷积神经网络，输出用于表征机器人抓取操作和放置操作执行位置价值的q值热力图；

6、将所述全卷积神经网络嵌入基于元学习的训练框架中进行元训练，获得元初始参数；所述元训练包括内循环和外循环，所述内循环用于在每个采样任务上，利用支撑集对所述元初始参数的复制进行梯度更新，得到任务特定参数；所述外循环用于基于各任务特定参数在查询集上的损失，计算并聚合梯度以更新所述元初始参数；

7、当面临新任务时，以新任务的部分示范数据为输入，执行与元训练内循环结构完全相同的适应过程，以所述元初始参数为优化的起点，在新数据上执行数次梯度下降更新，得到微调后的模型参数，并使用所述微调后的模型参数执行操作；所述新任务的部分示范数据的数据量小于预设数据量阈值。

8、进一步地，所述全卷积神经网络包括抓取点预测网络和放置点预测网络，所述抓取点预测网络和放置点预测网络的结构相同，模型参数不同。

9、进一步地，所述抓取点预测网络的处理过程包括：以rgb-d图像为输入，采用视觉编码器，得到第一全局特征向量；将第一全局特征向量特征复制到每个空间位置，并通过平铺操作，得到第一平铺特征向量；将第一全局特征向量与第一平铺特征向量进行融合，得到第一融合特征向量；将第一融合特征向量输入输出回归头，经过两层连续的卷积层进行逐像素回归，输出最优抓取点的q值热力图。

10、进一步地，所述放置点预测网络的处理过程包括：以rgb-d图像和第一全局特征向量在坐标通道上的拼接为输入，采用视觉编码器，得到第二全局特征向量；将第二全局特征向量特征复制到每个空间位置，并通过平铺操作，得到第二平铺特征向量；将第二全局特征向量与标有抓取点的rgb-d图像进行拼接后与与第二平铺特征向量进行融合，得到第二融合特征向量；将第二融合特征向量输入输出回归头，经过两层连续的卷积层进行逐像素回归，输出最优放置点的q值热力图。

11、进一步地，在元学习过程中，引入动态调整的探索系数，当柔性物体的覆盖面积小于预设面积阈值时，所述探索系数用于放大动作选择中的随机扰动项；所述探索系数基于当前q值热力图的最大值确定。

12、进一步地，所述损失，采用以下公式计算：

13、

14、

15、

16、

17、

18、

19、

20、

21、

22、其中，、、分别表示总损失、平均放置损失、平均抓取损失；表示每个任务中的批次大小；、分别表示放置点损失、抓取点损失；mae表示平均绝对误差函数；j表示第j次操作；、分别表示网络预测的放置点q值热力图、抓取点q值热力图；表示网络预测的放置点；表示热力图中质量分数最高的预测放置点；、分别表示放置点真值、抓取点真值；表示新状态与目标的距离；表示rgb图片，表示预测的抓取点分数，模型预测的柔性物体抓取点在点的价值；、分别表示放置点预测网络；表示元学习初始化参数。

23、本发明的第二个方面提供一种基于元学习的机器人操作柔性物体的控制系统。

24、一种基于元学习的机器人操作柔性物体的控制系统，包括：

25、神经网络预测模块，其被配置为：基于输入图像，采用全卷积神经网络，输出用于表征机器人抓取操作和放置操作执行位置价值的q值热力图；

26、元学习模块，其被配置为：将所述全卷积神经网络嵌入基于元学习的训练框架中进行元训练，获得元初始参数；所述元训练包括内循环和外循环，所述内循环用于在每个采样任务上，利用支撑集对所述元初始参数的复制进行梯度更新，得到任务特定参数；所述外循环用于基于各任务特定参数在查询集上的损失，计算并聚合梯度以更新所述元初始参数；

27、新任务适应模块，其被配置为：当面临新任务时，以新任务的部分示范数据为输入，执行与元训练内循环结构完全相同的适应过程，以所述元初始参数为优化的起点，在新数据上执行数次梯度下降更新，得到微调后的模型参数，并使用所述微调后的模型参数执行操作；所述新任务的部分示范数据的数据量小于预设数据量阈值。

28、本发明的第三个方面提供了一种计算机设备，该设备包括：

29、处理器，适于执行计算机程序；

30、计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时，实现如上述第一个方面所述的基于元学习的机器人操作柔性物体的控制方法中的步骤。

31、本发明的第四个方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序适于由处理器加载并执行如上述第一个方面所述的基于元学习的机器人操作柔性物体的控制方法中的步骤。

32、本发明的第五个方面提供了一种计算机程序产品或计算机程序。

33、本发明提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如上述第一个方面所述的基于元学习的机器人操作柔性物体的控制方法中的步骤。

34、与现有技术相比，本发明的有益效果是：

35、本发明采用了基于全卷积神经网络（fcn）的端到端像素级预测架构。该架构以原始rgb-d图像为直接输入，通过视觉编码器提取多尺度层级视觉特征，并利用双路特征提取机制将全局语义信息与局部空间几何细节进行深度融合，最终通过输出回归头逐像素回归生成q值热力图。该热力图中极值点所对应的空间位置即表征当前观测下执行抓取或放置操作的最大价值点。这一设计使得机器人无需依赖任何先验物理模型或人工特征工程，即可直接从高维视觉观测中精准感知柔性物体的可供性分布，实时输出高置信度的最优操作点坐标。在具体实施例的毛巾展开任务中，抓取热力图的高响应区域集中在毛巾的边缘与褶皱突起处，表明网络已有效学习到优先抓取物体角点或边缘的有利策略，验证了该架构在复杂、非结构化形态感知上的优越性。

36、本发明构建了一个以元学习为核心的训练框架。在该框架中，每一次训练任务被定义为一个具有独特属性（如不同尺寸、材质或初始状态）的柔性物体展开任务。通过在海量多样化任务上的内外循环交替优化，模型最终收敛的元初始参数并非针对某一特定物体的最优解，而是一个对广泛任务分布高度敏感的泛化起点。该元参数具有如下关键特性：从该点出发，仅需对少量新任务样本执行少量（即与内循环次数相同）的梯度下降更新，即可使模型快速适配至该新任务的最优性能附近；提高了数据处理效率和跨任务泛化能力，降低了模型部署成本。