「触碰哪里、如何接触」：面向几何感知 sim-to-real 操作的分层 RL-MPC 框架
原标题：Where to Touch, How to Contact: A Hierarchical RL-MPC Framework for Geometry-Aware Sim-to-Real Manipulation
接触丰富的灵巧操作面临一个关键挑战：需要联合推理全局几何与非光滑接触动力学。端到端策略绕开了这种复杂性，但往往需要大量数据，且从仿真迁移到现实表现不佳。
研究者基于一个简单洞察提出解决方案：灵巧操作本质上是分层的——在高层次，机器人决定「在哪里接触」（几何）；在低层次，机器人决定「如何通过接触动力学移动物体」。
据此，他们提出了一种分层 RL-MPC 框架。高层强化学习（RL）策略预测一个接触意图，这是一个以物体为中心的新接口，指定了（i）物体表面的接触位置，以及（ii）接触后物体的子目标位姿。在接触意图的条件下，低层接触隐式模型预测控制（MPC）优化局部接触模式，并通过接触动力学实时重规划，生成能够稳健将物体推向各子目标的机器人动作。
研究者在非抓取任务上评估了该框架，包括跨多种物体形状的几何泛化推动、基于旋转/翻转的物体重定向，以及借助环境的物体重定位。结果显示，该方法以显著更少的数据实现了高成功率：在 T 型推动对比中，RL 决策步数减少 40 倍，控制步数减少 2 倍；同时表现出很强的鲁棒性，并实现了零样本 sim-to-real 迁移。