Decoupling Skill Learning from Robotic Control for Generalizable Object Manipulation

要約

強化学習 (RL) または模倣学習 (IL) によるロボット操作の最近の研究は、引き出しや食器棚を開くなど、さまざまなタスクに取り組む可能性を示しています。
ただし、これらの手法は、目に見えないオブジェクトには一般化できません。
これは、関節制御のための高次元の行動空間によるものと推測されます。
この論文では、別のアプローチを採用し、「何をするか」を「どのように行うか」を学習するタスク、つまり全身を制御するタスクを分離します。
RL 問題は、関節のあるオブジェクトと相互作用する肉体を持たない仮想マニピュレーターのスキル ダイナミクスを決定する問題の 1 つとして提起されます。
全身ロボットの運動学的制御は、高次元の関節運動を実行してワークスペース内の目標に到達するように最適化されています。
これは、ロボットの特異点と運動学的制約を使用して二次計画法 (QP) モデルを解くことによって行われます。
複雑な多関節オブジェクトの操作に関する我々の実験は、提案されたアプローチが、以前のアプローチよりも優れた、クラス内の大きな変動を持つ目に見えないオブジェクトに対してより一般化可能であることを示しています。
評価結果は、私たちのアプローチがより準拠したロボットの動きを生成し、タスクの成功率において純粋な RL および IL ベースラインよりも優れていることを示しています。
追加情報とビデオは、https://kl-research.github.io/decoupskill で入手できます。

要約(オリジナル)

Recent works in robotic manipulation through reinforcement learning (RL) or imitation learning (IL) have shown potential for tackling a range of tasks e.g., opening a drawer or a cupboard. However, these techniques generalize poorly to unseen objects. We conjecture that this is due to the high-dimensional action space for joint control. In this paper, we take an alternative approach and separate the task of learning ‘what to do’ from ‘how to do it’ i.e., whole-body control. We pose the RL problem as one of determining the skill dynamics for a disembodied virtual manipulator interacting with articulated objects. The whole-body robotic kinematic control is optimized to execute the high-dimensional joint motion to reach the goals in the workspace. It does so by solving a quadratic programming (QP) model with robotic singularity and kinematic constraints. Our experiments on manipulating complex articulated objects show that the proposed approach is more generalizable to unseen objects with large intra-class variations, outperforming previous approaches. The evaluation results indicate that our approach generates more compliant robotic motion and outperforms the pure RL and IL baselines in task success rates. Additional information and videos are available at https://kl-research.github.io/decoupskill

arxiv情報

提供元, 利用サービス

arxiv.jp, Google