Embodied Self-Supervised Learning (EMSSL) with Sampling and Training Coordination for Robot Arm Inverse Kinematics Model Learning

要約

順運動学モデルと逆運動学モデルは、ロボット アームの基本であり、ロボット アームの操作タスクの基礎となります。
ただし、ロボット アームのモデル学習では、特に冗長な自由度が存在する場合、逆モデル学習は、複数の解によって引き起こされる非凸の問題により、順モデル学習よりも困難になります。
この論文では、サンプリングとトレーニングの調整を伴う具現化された自己教師あり学習 (EMSSL) に基づく、ロボット アーム逆モデルの自律学習のフレームワークを提案します。
モデル学習を加速するために、データ サンプリングのバッチ推論と並列計算戦略を調査し、ロボット アーム モデルの高速適応のための 2 つのアプローチを提案します。
一連の実験により、提案した方法の有効性が実証されました。
関連するコードはすぐに利用できるようになります。

要約(オリジナル)

Forward and inverse kinematics models are fundamental to robot arms, serving as the basis for the robot arm’s operational tasks. However, in model learning of robot arms, especially in the presence of redundant degrees of freedom, inverse model learning is more challenging than forward model learning due to the non-convex problem caused by multiple solutions. In this paper, we propose a framework for autonomous learning of the robot arm inverse model based on embodied self-supervised learning (EMSSL) with sampling and training coordination. We investigate batch inference and parallel computation strategies for data sampling in order to accelerate model learning and propose two approaches for fast adaptation of the robot arm model. A series of experiments demonstrate the effectiveness of the method we proposed. The related code will be available soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google