Task-Driven Hybrid Model Reduction for Dexterous Manipulation

要約

器用な操作など、接触が多いタスクでは、接触と接触の解除というハイブリッドな性質により、モデルの表現と制御に課題が生じます。
たとえば、何千もの潜在的なハイブリッド モードが存在する場合、手の操作のための接触位置を選択して順序付けることは、一般に扱いやすいものではありません。
この論文では、多くのタスクを実行するために実際に必要なモードははるかに少ないという観察に触発されました。
線形相補性システムとして表される以前の研究の学習ハイブリッド モデルに基づいて、限られた数のタスク関連モードのみを必要とする低次数ハイブリッド モデルを発見しました。
この簡略化された表現をモデル予測制御と組み合わせることで、リアルタイム制御が可能になりますが、高性能を達成するには十分です。
我々は、最初にシンセティックハイブリッドシステムで提案された方法を実証し、モード数を数桁削減しながら、タスクパフォ​​ーマンスの損失を5％未満に抑えました。
また、提案した手法を、未知の物体を操作する 3 本指のロボットハンドにも適用します。
事前知識がなくても、数千の環境サンプルを収集するだけで、オンライン学習の数分以内に最先端の閉ループ パフォーマンスを実現します。

要約(オリジナル)

In contact-rich tasks, like dexterous manipulation, the hybrid nature of making and breaking contact creates challenges for model representation and control. For example, choosing and sequencing contact locations for in-hand manipulation, where there are thousands of potential hybrid modes, is not generally tractable. In this paper, we are inspired by the observation that far fewer modes are actually necessary to accomplish many tasks. Building on our prior work learning hybrid models, represented as linear complementarity systems, we find a reduced-order hybrid model requiring only a limited number of task-relevant modes. This simplified representation, in combination with model predictive control, enables real-time control yet is sufficient for achieving high performance. We demonstrate the proposed method first on synthetic hybrid systems, reducing the mode count by multiple orders of magnitude while achieving task performance loss of less than 5%. We also apply the proposed method to a three-fingered robotic hand manipulating a previously unknown object. With no prior knowledge, we achieve state-of-the-art closed-loop performance within a few minutes of online learning, by collecting only a few thousand environment samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google