Getting the Ball Rolling: Learning a Dexterous Policy for a Biomimetic Tendon-Driven Hand with Rolling Contact Joints

要約

バイオミメティックで器用なロボットハンドは、人間ができるタスクの多くを再現し、一般的な操作プラットフォームとしての地位を獲得する可能性を秘めている。近年の強化学習（RL）フレームワークの進歩により、四足歩行ロコモーションや器用な操作タスクにおいて目覚ましい性能が達成されている。数千台のロボットを並列にシミュレーションできるGPUベースの高度な並列化シミュレーションと組み合わせることで、RLベースのコントローラはよりスケーラブルで近づきやすいものになっている。しかし、RLで訓練されたポリシーを実世界に導入するためには、物理的なアクチュエータやセンサで動作するポリシーを出力する訓練フレームワークや、利用しやすい材料で製造可能でありながら対話的なポリシーを実行するのに十分な堅牢性を持つハードウェアプラットフォームが必要である。この研究では、バイオミメティック腱駆動Faiveハンドとそのシステムアーキテクチャを紹介します。このシステムでは、腱駆動ローリングコンタクトジョイントを使用して、3Dプリント可能で堅牢な高DoFハンドデザインを実現します。ハンドの各要素をモデル化し、GPUシミュレーション環境に統合することで、RLを用いたポリシーのトレーニングを行い、器用なインハンドの球体回転スキルを物理的なロボットハンドにゼロショットで伝達することを実現する。

要約(オリジナル)

Biomimetic, dexterous robotic hands have the potential to replicate much of the tasks that a human can do, and to achieve status as a general manipulation platform. Recent advances in reinforcement learning (RL) frameworks have achieved remarkable performance in quadrupedal locomotion and dexterous manipulation tasks. Combined with GPU-based highly parallelized simulations capable of simulating thousands of robots in parallel, RL-based controllers have become more scalable and approachable. However, in order to bring RL-trained policies to the real world, we require training frameworks that output policies that can work with physical actuators and sensors as well as a hardware platform that can be manufactured with accessible materials yet is robust enough to run interactive policies. This work introduces the biomimetic tendon-driven Faive Hand and its system architecture, which uses tendon-driven rolling contact joints to achieve a 3D printable, robust high-DoF hand design. We model each element of the hand and integrate it into a GPU simulation environment to train a policy with RL, and achieve zero-shot transfer of a dexterous in-hand sphere rotation skill to the physical robot hand.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL