ActivePusher: Active Learning and Planning with Residual Physics for Nonprehensile Manipulation

Autori: Zhuoyun Zhong, Seyedali Golestaneh, Constantinos Chamzas · ICRA 2026

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Un modello di spinta a fisica residua con incertezza basata su NTK sceglie le spinte più informative su cui esercitarsi e quelle più affidabili con cui pianificare, migliorando l'efficienza dei dati e il successo di spingi-per-afferrare.

Perché è importante

L'approccio non richiede un grande dataset offline, un simulatore ad alta fedeltà né dimostrazioni umane, e il robot riposiziona da sé l'oggetto, quindi l'apprendimento procede senza intervento umano. La stessa stima di incertezza serve sia alla raccolta dei dati sia alla pianificazione, il che collega direttamente l'apprendimento delle abilità al successo nel compito.

Problema

I modelli analitici di spinta si basano su ipotesi semplificate di attrito, contatto e massa, mentre i modelli appresi richiedono molti dati costosi di interazione reale e sono inaffidabili nelle parti dello spazio delle azioni che hanno visto poco. La raccolta casuale dei dati non punta alle spinte che migliorerebbero di più il modello.

Soluzione proposta

Una spinta è parametrizzata da lato, offset laterale e distanza; un MLP apprende il residuo tra un modello analitico quasi statico della spinta e il risultato osservato in SE(2). L'incertezza epistemica si ottiene trattando la rete addestrata come un processo gaussiano con il suo Neural Tangent Kernel. Durante l'apprendimento, un'acquisizione BAIT modificata sceglie lotti di spinte che riducono il più possibile la varianza a posteriori; durante la pianificazione, il pianificatore cinodinamico SST campiona spinte candidate e mantiene quella con l'incertezza più bassa.

Idee chiave

• Un'unica stima di incertezza serve a due usi opposti: cercare un'alta incertezza quando si sceglie su cosa esercitarsi, evitarla quando si sceglie cosa eseguire
• Aggiungere un modello analitico di spinta approssimativo come prior residuo aiuta soprattutto quando sono disponibili pochi dati
• Orientare il campionamento dei controlli di SST verso spinte a bassa incertezza mantiene il pianificatore asintoticamente ottimo evitando azioni modellate male
• Con la pianificazione attiva il pianificatore tende a scegliere percorsi più lunghi, che il modello ritiene più sicuri

Risultati principali

• La pianificazione attiva con il miglior modello addestrato ha portato il successo in Push-to-Grasp fino al 95 % in simulazione e all'85 % nel mondo reale, e ha ridotto l'errore di inseguimento rispetto al campionamento casuale dei controlli
• Il modello residuo con apprendimento attivo ha dato un RMSE di validazione in SE(2) più basso della raccolta casuale dei dati su quattro oggetti YCB simulati (scatola di cracker, tazza, flacone di senape, banana) e su una scatola di cracker reale, con una dimensione del lotto di 20
• In simulazione, su 100 problemi di pianificazione, l'apprendimento attivo residuo ha dato un successo nel compito più alto e un errore di inseguimento più basso delle baseline MLP e a campionamento casuale per ogni dimensione del dataset
• Configurazione: pool di 1000 parametri di spinta candidati, 800 spinte di validazione, lotti di 20 (simulazione) o 40 (reale), 1000 ambienti Genesis in parallelo per la raccolta dei dati

Limiti

• Viene modellata solo l'incertezza epistemica; il rumore aleatorio è ignorato, quindi il pianificatore può evitare regioni a basso rumore o affidarsi troppo a spinte intrinsecamente rumorose
• Compiti e oggetti sono limitati a spinte planari in SE(2); oggetti non convessi e articolati, spinta in 3D, rotolamento e lancio non sono trattati
• I piani sono eseguiti ad anello aperto, senza retroazione né ripianificazione
• Il modello analitico approssima ogni oggetto con un rettangolo di ingombro, fissa il rapporto di attrito a c = 0,05 per tutti gli oggetti e presuppone un contatto aderente
• I risultati sono riportati come curve nelle figure; a parte i tassi di successo massimi del 95 % e dell'85 %, sono forniti pochi numeri esatti

Impatto sul settore

Finalista dell'ICRA 2026 Best Paper Award on Planning and Control, con 9 citazioni. L'articolo non indica alcun rilascio di codice o di dati.

Abstract

Pianificare con modelli dinamici appresi offre un approccio promettente alla manipolazione a lungo orizzonte nel mondo reale, in particolare in contesti non prensili come la spinta o il rotolamento, dove è difficile ottenere modelli analitici accurati. Sebbene i metodi basati sull'apprendimento siano promettenti, raccogliere dati di addestramento può essere costoso e inefficiente, poiché spesso si basa su interazioni campionate casualmente che non sono necessariamente le più informative. Per affrontare questa sfida proponiamo ActivePusher, un nuovo framework che combina la modellazione a fisica residua con un apprendimento attivo guidato dall'incertezza basato su kernel, per concentrare l'acquisizione dei dati sui parametri di abilità più informativi. Inoltre, ActivePusher si integra senza soluzione di continuità con pianificatori cinodinamici basati su modello, sfruttando le stime di incertezza per orientare il campionamento dei controlli verso azioni più affidabili. Valutiamo il nostro approccio sia in simulazione sia in ambienti reali e dimostriamo che migliora l'efficienza dei dati e i tassi di successo della pianificazione rispetto ai metodi di riferimento.

Link

• arXiv 2506.04646: https://arxiv.org/abs/2506.04646
• DOI 10.1109/ICRA57385.2026.11696785: https://doi.org/10.1109/ICRA57385.2026.11696785
• PDF: https://arxiv.org/pdf/2506.04646v1