混合强化学习实现果园机器人零样本修剪
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Abhinav Jain等人提出端到端管线，学习闭环视觉运动控制器用于V-Trellis苹果与UFO樱桃的平面果园机器人修剪。控制器全靠仿真与合成数据训练，采用结合离线演示与在线仿真的新型混合强化学习算法。其利用腕部相机光流输入，无需3D重建即可引导切割器至指定切点。仿真中3000个修剪点评估显示，苹果与樱桃成功率分别为49.9%和46.0%。38次物理试验（含28次户外商业果园试验）证实了零样本虚实迁移，且在室内实验室测试中优于经典RRT-Connect基线。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载视觉运动控制管线
针对V-Trellis苹果与UFO樱桃等平面果树系统，研究构建了端到端管线以学习闭环视觉运动控制器。该管线涵盖平面果园树网格合成生成、物理仿真器构建、借运动规划自动采集成功修剪轨迹，以及策略学习。控制器依赖腕挂相机提供的光流输入，持续引导切割器穿过杂乱枝干抵达指定切点并保持正确朝向，从而规避了对全3D重建的依赖。
混合强化学习与仿真评估
策略学习采用新型混合强化学习算法，融合离线演示与在线仿真推演。在涵盖3000个修剪点的详尽仿真任务空间评估里，该策略在V-Trellis苹果上取得49.9%成功率，在UFO樱桃上取得46.0%成功率。整个控制器训练过程完全基于仿真与合成数据，无需真实果园数据介入。
零样本虚实迁移验证
研究通过38次物理试验验证了零样本虚实迁移能力，包含28次在商业及实验果园的户外实地测试与10次室内实验室测试。在室内实验室测试中，所学策略在物理硬件上的表现超越了经典的RRT-Connect基线方案，证明了该仿真训练管线在真实复杂环境中的有效性与鲁棒性。
为什么值得看
仅依赖仿真与合成数据即实现户外商业果园零样本迁移，为高劳动强度农业自动化提供可行路径。
苹果强化学习
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。