仿真环境下不规则物体的高斯过程隐式曲面核函数优化

对于一个物体进行探索时，首要目标就是获取物体的形状，而当针对形状复杂的物体如不规则方块时，隐式曲面往往是最优选择。本文针对MuJoCo仿真平台下的建立的不规则物体，采用RBF (Radial Basis Function)高斯核函数和TPS (Thin Plate Spline covariance)薄板协方差核函数分别建立高斯过程，完成对物体的隐式曲面建模，通过对比，相比于最初的TPS核函数，改用调参后的RBF误差减小了93.07%。通过仿真实验结果表明，对于仿真平台中的不规则物体，高斯过程隐式曲面能够有效通过少量的采集数据完成曲面建模。

机械臂对物体的探索与抓取是一个常见的任务，它需要对笛卡尔空间中的物体进行建模重构。在这类机器人操作中，对于一个未知的新物体，我们的目标是获得需要使用的属性，主要就是获取到物体的形状。而对于形状复杂的物体，隐式曲面模型用标量函数的零等值面来表示物体曲面，有着诸多优良特性，如形式简单，可表达任意拓扑结构的物体曲面，模型存储方便，容易判断点和曲面的位置关系，容易进行布尔操作，容易求得曲面的法向量、曲率和曲面交点等。在处理不规则物体时，由于其形状可能会因为材料、大小、重量、表面特性等因素而各异，难以通过单一的预定义抓取策略来准确地抓取，在形状探索后，机械臂可以更准确的感知和理解物体，识别物体的边缘、凸起和凹陷等特征，并根据不规则物体的实时形态做出调整，从而使其能够根据物体的当前形态来调整抓取策略，提高抓取成功率和效率。在对未知的不规则物体进行探索与抓取之前，可以先通过隐式曲面进行建模工作。

世界范围内最早提出使用触觉信息来探索识别物体的是Allen [1]，他在文章中提出一个刚性触觉传感器在预先定义的运动中沿着物体表面跟踪，以获取和解释表面形状的3D 信息，这项工作随后不停推进， Moll 和Erdmann [2]提出了一种利用三个感知手指重建未知凸起物体形状和运动的方法。

采用这种方法对于一个物体表面进行数据采集并建模的前提是，物体的摩擦特性必须是先验的，它的表面必须是光滑的，没有尖锐的棱角。

2018 年周少山[3]等人总结过传统的隐式曲面建模方法， 局部方法利用各数据点以及邻域点的信息构造出局部曲面，然后将其组合成全局模型。其优点是删除、增加或修改数据点时，只需修改此数据点附近局部区域即可，同时局部方法计算较快捷、能处理大规模数据；能有效的保留曲面细节特征。而缺点则是牺牲了整体信息，最终构建的曲面还需进一步处理，如去除噪声，以保证曲面质量。移动最小二乘法就是最常用的局部隐式曲面建模方法；全局方法用函数来整体拟合点云，描述所要构造的曲面。能保