Learning Goal-Directed Object Pushing in Cluttered Scenes with Location-Based Attention

要約

掴みにくい平面押しは、ハイブリッド ダイナミクスによる作動が不十分な性質のため、困難なタスクです。ロボットは、接触の不確実性に対して堅牢でありながら、物体の長期的な動作と接触の切り替えについて推論する必要があります。
環境内に乱雑な物が存在すると、このタスクはさらに複雑になり、衝突を回避するためにより高度な空間分析を含める必要が生じます。
この論文では、平面プッシュのためのマルチモーダル カテゴリ探索による強化学習 (RL) に関する以前の研究に基づいて、クラッターを通過する堅牢なナビゲーションを可能にする位置ベースの注意を組み込みます。
この障害物回避プッシュタスクに対処する以前の RL 文献とは異なり、私たちのフレームワークは事前定義されたグローバル パスを必要とせず、操作対象オブジェクトのターゲット方向を考慮します。
私たちの結果は、学習されたポリシーが、動的障害物を含む広範囲の複雑な障害物構成を滑らかな動きでうまくナビゲートし、目的のターゲット オブジェクトのポーズを達成することを示しています。
また、KUKA iiwa ロボット アームを使用して、学習したポリシーのロボット ハードウェアへの転送可能性も検証します。

要約(オリジナル)

Non-prehensile planar pushing is a challenging task due to its underactuated nature with hybrid-dynamics, where a robot needs to reason about an object’s long-term behaviour and contact-switching, while being robust to contact uncertainty. The presence of clutter in the environment further complicates this task, introducing the need to include more sophisticated spatial analysis to avoid collisions. Building upon prior work on reinforcement learning (RL) with multimodal categorical exploration for planar pushing, in this paper we incorporate location-based attention to enable robust navigation through clutter. Unlike previous RL literature addressing this obstacle avoidance pushing task, our framework requires no predefined global paths and considers the target orientation of the manipulated object. Our results demonstrate that the learned policies successfully navigate through a wide range of complex obstacle configurations, including dynamic obstacles, with smooth motions, achieving the desired target object pose. We also validate the transferability of the learned policies to robotic hardware using the KUKA iiwa robot arm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google