CORN：面向一般未见物体非抓取操作的基于接触的物体表征

基于摘要分析。CORN 研究机器人对过薄、过大或难以抓取物体进行非抓取操作时，如何兼顾物体形状泛化、动作多样性与 RL 训练效率。作者提出基于接触的物体表征及预训练流程，以降低直接从高维感知输入学习操作策略的成本。 核心机制是使用轻量级、基于 patch 的 transformer 编码器处理物体点云，使训练能够在数千个环境中并行扩展。摘要将该方案与两类既有困难联系起来：传统建模方法需要处理复杂的接触建模，而既有 RL 方法可能难以泛化到多样物体形状，或因采用简单动作原语而限制机器人动作。接触信息如何构成监督、预训练目标与损失形式，以及表征如何接入策略网络，尚未验证。 作者报告，相比从头学习和其他形状表征基线，该表征有助于提高学习的时间效率与数据效率；作者还报告，将训练好的策略零样本迁移到未见真实物体，以验证整体系统。摘要未提供具体指标、提升幅度、物体数量、训练与测试划分或基线配置，因此不能据此量化泛化优势，也不能区分表征预训练与其他系统组件各自的贡献。实验协议、消融及统计信息尚未验证。 复现需要核对点云与接触信息的获取方式、预训练数据和监督构造、并行环境设置、策略动作空间，以及仿真到真实场景的迁移条件。摘要说明代码与视频可获得，但其完整性及运行条件尚未核验。该工作的主要研究对象是机器人非抓取操作，其表征依赖物体几何与接触结构；当前材料未建立这些结构与 EEG/BCI 信号的具体对应关系，因此不据此提出迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。