Symmetric Models for Visual Force Policy Learning

要約

フォース フィードバックがロボット制御に有益であることは一般に認識されていますが、ロボット操作へのポリシー学習の適用は通常、視覚的なフィードバックのみを活用します。
最近、対称ニューラル モデルが使用され、さまざまなロボット操作ドメインにわたるポリシー学習のサンプル効率とパフォーマンスが大幅に向上しました。
この論文では、視覚力の問題への対称ポリシー学習の応用を検討します。
我々は、視覚と力のフィードバックを活用したロボット制御の新しい方法である対称視覚力学習 (SVFL) を紹介します。
我々は、SVFLが視覚力学習の最先端のベースラインを大幅に上回るパフォーマンスを発揮できることを実証し、一般的な操作タスクと低視力のシナリオの両方における学習力フィードバック制御ポリシーの有用性に関連するいくつかの興味深い経験的発見を報告します。

要約(オリジナル)

While it is generally acknowledged that force feedback is beneficial to robotic control, applications of policy learning to robotic manipulation typically only leverage visual feedback. Recently, symmetric neural models have been used to significantly improve the sample efficiency and performance of policy learning across a variety of robotic manipulation domains. This paper explores an application of symmetric policy learning to visual-force problems. We present Symmetric Visual Force Learning (SVFL), a novel method for robotic control which leverages visual and force feedback. We demonstrate that SVFL can significantly outperform state of the art baselines for visual force learning and report several interesting empirical findings related to the utility of learning force feedback control policies in both general manipulation tasks and scenarios with low visual acuity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google