TWISTED-RL：无需人类演示的分层技能代理用于打结

机器人打结是一项基础性挑战，因其涉及可变形物体的复杂交互和严格的拓扑约束。本文提出TWISTED-RL框架，在无需人类演示的情况下改进了先前最先进的打结方法（TWISTED）。该方法将单个打结问题智能地分解为多个子问题，并由专门的代理分别处理。本文方法用基于抽象拓扑动作的多步强化学习策略替代了TWISTED中通过监督学习获得的单步逆模型，从而实现了更精细的拓扑状态转换，避免了代价高昂且低效的数据收集协议，提升了在不同打结配置中的泛化能力。实验结果表明，TWISTED-RL能够解决之前无法完成的高复杂度打结任务，包括常用的八字结和死结。成功率的提升和规划时间的减少确立了TWISTED-RL作为无需人类演示的机器人打结新标杆。