Dynamic Manipulation of Deformable Objects using Imitation Learning with Adaptation to Hardware Constraints

要約

模倣学習 (IL) は、変形可能なオブジェクトの正確なシミュレーションを作成するのが困難なため、そのようなオブジェクトの動的操作を学習するための有望なパラダイムです。
しかしながら、人間によって示された動作をロボットに変換することは、実施形態の違いおよびロボットの物理的限界のため、ＩＬにとって課題である。
これらの制限は、高速および加速が一般的な動的操作に特に関係します。
この問題に対処するために、まず、制約付きの動的動作プリミティブを使用して、動的デモンストレーションをロボットの制約を尊重する動作にマッピングするフレームワークを提案します。
第 2 に、結果として得られるオブジェクトの状態が、準静的なリファインメント モーションによってさらに最適化され、タスク パフォーマンス メトリクスが最適化されます。
これにより、動的モーションによるオブジェクトの状態の効率的な変更と、安定した小規模な調整の両方が可能になります。
私たちは、袋を開けるという困難なタスクにおけるフレームワークを評価し、システム BILBO: 袋を開けるための模倣学習を使用した両手動的操作を設計します。
私たちの結果は、BILBO が 1 つの袋を使ったデモンストレーションを使用して、さまざまなしわくちゃの袋をうまく開けることができることを示しています。
https://sites.google.com/view/bilbo-bag で補足資料をご覧ください。

要約(オリジナル)

Imitation Learning (IL) is a promising paradigm for learning dynamic manipulation of deformable objects since it does not depend on difficult-to-create accurate simulations of such objects. However, the translation of motions demonstrated by a human to a robot is a challenge for IL, due to differences in the embodiments and the robot’s physical limits. These limits are especially relevant in dynamic manipulation where high velocities and accelerations are typical. To address this problem, we propose a framework that first maps a dynamic demonstration into a motion that respects the robot’s constraints using a constrained Dynamic Movement Primitive. Second, the resulting object state is further optimized by quasi-static refinement motions to optimize task performance metrics. This allows both efficiently altering the object state by dynamic motions and stable small-scale refinements. We evaluate the framework in the challenging task of bag opening, designing the system BILBO: Bimanual dynamic manipulation using Imitation Learning for Bag Opening. Our results show that BILBO can successfully open a wide range of crumpled bags, using a demonstration with a single bag. See supplementary material at https://sites.google.com/view/bilbo-bag.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google