Bag All You Need: Learning a Generalizable Bagging Strategy for Heterogeneous Objects

要約

複数の硬くて変形可能な物体を変形可能な袋の中に配置する必要がある、異種の袋詰め作業のための実用的なロボット ソリューションを紹介します。
これは、限られた観測範囲の下で、複数の高度に変形可能なオブジェクト間の複雑な相互作用を特徴とするため、困難な作業です。
これらの課題に取り組むために、我々は、2 つの学習ポリシーで構成されるロボット システムを提案します。1 つは、望ましい袋詰め前の状態を達成するために、複数の剛体を配置し、変形可能な物体を折り畳むことを学習する再配置ポリシー、もう 1 つは、袋詰めの適切な把握点を推測するための持ち上げポリシーです。
両手でバッグを持ち上げます。
これらの学習されたポリシーを、新しいオブジェクトで 70% の異種袋詰め成功率を達成する現実世界の 3 アーム ロボット プラットフォーム上で評価します。
将来の研究と比較を容易にするために、私たちは一般に公開される予定の新しい異種袋詰めシミュレーション ベンチマークも開発します。

要約(オリジナル)

We introduce a practical robotics solution for the task of heterogeneous bagging, requiring the placement of multiple rigid and deformable objects into a deformable bag. This is a difficult task as it features complex interactions between multiple highly deformable objects under limited observability. To tackle these challenges, we propose a robotic system consisting of two learned policies: a rearrangement policy that learns to place multiple rigid objects and fold deformable objects in order to achieve desirable pre-bagging conditions, and a lifting policy to infer suitable grasp points for bi-manual bag lifting. We evaluate these learned policies on a real-world three-arm robot platform that achieves a 70% heterogeneous bagging success rate with novel objects. To facilitate future research and comparison, we also develop a novel heterogeneous bagging simulation benchmark that will be made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google