Bridging the Sim-to-Real Gap with Dynamic Compliance Tuning for Industrial Insertion

要約

接触が多い操作タスクでは、シミュレーションと実際のギャップが大きくなることがよくあります。
たとえば、産業用の組み立て作業では、クリアランスが \(0.1\) mm 未満のタイトな挿入が頻繁に行われ、変形可能なレセプタクルを扱う場合にはマイナスになる場合もあります。
この狭いクリアランスにより、シミュレーションで正確にモデル化することが困難な複雑な接触ダイナミクスが生じ、シミュレーションで学習したポリシーを現実世界のロボットに転写することが困難になります。
この論文では、シミュレートされたデータのみを使用して、現実世界のタスクの操作スキルをロバストに学習するための新しいフレームワークを提案します。
私たちのフレームワークは、「Force Planner」と「Gain Tuner」という 2 つの主要なコンポーネントで構成されています。
Force Planner はロボットの動作と望ましい接触力の両方を計画する責任を負い、Gain Tuner はコンプライアンス制御ゲインを動的に調整して、タスク実行中に望ましい接触力を正確に追跡します。
この研究の重要な洞察は、タスク実行中にロボットのコンプライアンス制御ゲインを適応的に調整することで、新しい環境で接触力を調整できるため、シミュレーションで訓練されたものと同様の軌道を生成し、シミュレーションと現実のギャップを狭めることができるということです。
実験結果は、一般的な正方形のペグと穴のタスクのシミュレーションでトレーニングされた私たちの方法が、微調整を必要とせずに、狭いクリアランスやマイナスのクリアランスを含むさまざまな現実世界の挿入タスクに一般化できることを示しています。

要約(オリジナル)

Contact-rich manipulation tasks often exhibit a large sim-to-real gap. For instance, industrial assembly tasks frequently involve tight insertions where the clearance is less than \(0.1\) mm and can even be negative when dealing with a deformable receptacle. This narrow clearance leads to complex contact dynamics that are difficult to model accurately in simulation, making it challenging to transfer simulation-learned policies to real-world robots. In this paper, we propose a novel framework for robustly learning manipulation skills for real-world tasks using only the simulated data. Our framework consists of two main components: the “Force Planner” and the “Gain Tuner”. The Force Planner is responsible for planning both the robot motion and desired contact forces, while the Gain Tuner dynamically adjusts the compliance control gains to accurately track the desired contact forces during task execution. The key insight of this work is that by adaptively adjusting the robot’s compliance control gains during task execution, we can modulate contact forces in the new environment, thereby generating trajectories similar to those trained in simulation and narrows the sim-to-real gap. Experimental results show that our method, trained in simulation on a generic square peg-and-hole task, can generalize to a variety of real-world insertion tasks involving narrow or even negative clearances, all without requiring any fine-tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google