Imitation learning for sim-to-real transfer of robotic cutting policies based on residual Gaussian process disturbance force model

要約

ロボット切断またはフライス加工は、分解、廃棄、解体などの用途で重要な役割を果たします。
不確実な環境における現実世界のシナリオでの切断の計画と制御は複雑な作業ですが、シミュレートされたトレーニング環境から恩恵を受ける可能性があります。
このレターは、ロボット切断ポリシーのシミュレーションからリアルへの移行に焦点を当てており、シミュレーションから実際の実装への効果的なポリシー移行の必要性について述べています。
私たちは、ミリングプロセス力モデルと残留ガウスプロセス（GP）力モデルに基づいたシミュレーションからリアルへの変換のためのハイブリッドアプローチを提案することにより、機械モデルベースのシミュレーションフレームワークに基づいて切削タスクを学習する以前の領域一般化アプローチを拡張します。
単一または複数の実際の切削力の例から学びました。
実際のロボットのセットアップを微調整する必要なく、ロボットによる切断ポリシーのシミュレーションからリアルへの移行が成功することを示します。
提案されたアプローチは、異なる構造的および機械的特性を持つ材料に自律的に適応します。
さらに、提案された方法が微調整または再トレーニングのみよりも優れていることを示します。

要約(オリジナル)

Robotic cutting, or milling, plays a significant role in applications such as disassembly, decommissioning, and demolition. Planning and control of cutting in real-world scenarios in uncertain environments is a complex task, with the potential to benefit from simulated training environments. This letter focuses on sim-to-real transfer for robotic cutting policies, addressing the need for effective policy transfer from simulation to practical implementation. We extend our previous domain generalisation approach to learning cutting tasks based on a mechanistic model-based simulation framework, by proposing a hybrid approach for sim-to-real transfer based on a milling process force model and residual Gaussian process (GP) force model, learned from either single or multiple real-world cutting force examples. We demonstrate successful sim-to-real transfer of a robotic cutting policy without the need for fine-tuning on the real robot setup. The proposed approach autonomously adapts to materials with differing structural and mechanical properties. Furthermore, we demonstrate the proposed method outperforms fine-tuning or re-training alone.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google