Crossing the Reality Gap in Tactile-Based Learning

要約

触覚センサーはロボットの操作に不可欠であると考えられており、これまでの研究ではセンサーのフィードバックを推論してコントローラーを設計するのに専門家に依存することが多かった。
近年のデータドリブンなアプローチの進歩により、複雑な操作が実現できるようになりましたが、政策訓練には正確かつ効率的な触覚シミュレーションが必要です。
この目的を達成するために、一般的に使用される圧力センサー アレイをシミュレーションでモデル化し、シミュレーションからリアルへの変換を念頭に置いて触覚ベースの操作ポリシーをトレーニングするアプローチを紹介します。
私たちのモデルの各タクセルは、質量-スプリング-ダンパー システムとして表され、パラメーターが妥当な範囲として繰り返し識別されます。
これにより、ドメインのランダム化を使用してポリシーをトレーニングできるようになり、さまざまな環境に対する堅牢性が向上します。
次に、潜在空間内の重要な触覚特徴をさらに調整するためのエンコーダーを導入します。
最後に、私たちの実験は、触覚ベースの操作、触覚モデリング、およびシミュレーションから現実へのパフォーマンスに関する質問に答えます。

要約(オリジナル)

Tactile sensors are believed to be essential in robotic manipulation, and prior works often rely on experts to reason the sensor feedback and design a controller. With the recent advancement in data-driven approaches, complicated manipulation can be realised, but an accurate and efficient tactile simulation is necessary for policy training. To this end, we present an approach to model a commonly used pressure sensor array in simulation and to train a tactile-based manipulation policy with sim-to-real transfer in mind. Each taxel in our model is represented as a mass-spring-damper system, in which the parameters are iteratively identified as plausible ranges. This allows a policy to be trained with domain randomisation which improves its robustness to different environments. Then, we introduce encoders to further align the critical tactile features in a latent space. Finally, our experiments answer questions on tactile-based manipulation, tactile modelling and sim-to-real performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google