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

要約

生体模倣型の器用なロボットハンドは、人間が実行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ます。
強化学習 (RL) フレームワークの最近の進歩により、四足歩行や器用な操作タスクにおいて目覚ましいパフォーマンスが達成されました。
数千のロボットを並行してシミュレートできる GPU ベースの高度に並列化された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ーはよりスケーラブルで親しみやすくなりました。
ただし、RL でトレーニングされたポリシーを現実世界に導入するには、物理​​的なアクチュエーターやセンサーで動作するポリシーを出力するトレーニング フレームワークと、アクセス可能な材料で製造でき、かつインタラクティブに実行できるほど堅牢なハードウェア プラットフォームが必要です。
ポリシー。
この研究では、生体模倣腱駆動の Faive Hand 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 アーキテクチャは、腱駆動の転がり接触ジョイントを使用して 3D 印刷可能な堅牢な高自由度ハンド設計を実現します。
手の各要素をモデル化し、それを GPU シミュレーション環境に統合して RL でポリシーをトレーニングし、手の器用な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します。

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, Google