Описание
Целью работы является разработка и исследование методов управления манипуляторами для устойчивого (робастного) захвата и манипулирования объектами сложной формы из большого, заранее известного набора (до нескольких тысяч объектов).

Особенностью проекта является применение комбинированного подхода, сочетающего методы обучения с подкреплением (Reinforcement Learning, RL) и классического (в том числе оптимального) управления для построения надёжных и устойчивых алгоритмов работы. RL-компонента отвечает за адаптацию и выработку стратегий взаимодействия, а классическое управление обеспечивает точное и стабильное выполнение движений на нижнем уровне.

Одной из ключевых задач является создание физически реалистичной симуляционной среды в IsaacSim, включающей моделирование объектов и манипуляторов с корректно заданными физическими свойствами (масса, трение, моменты инерции и т.п.), а также генерация обучающих данных и последующее дообучение алгоритмов на реальных данных для обеспечения переноса навыков из симуляции в реальность (Sim2Real).

Задачи исследования

• Разработка комбинированной стратегии управления манипулятором (RL + классическое управление) для устойчивого захвата и манипулирования объектами сложной формы
• Создание в IsaacSim физически корректных моделей объектов и грипперов, включая настройку масс, трения, моментов инерции и контактных свойств
• Генерация обучающих данных на основе большого набора 3D-объектов
• Дообучение RL-моделей на реальных данных и анализ переносимости стратегий (Sim2Real)
• Исследование влияния параметров физической модели и структуры комбинированного управления на устойчивость и надёжность алгоритмов