Sim-to-Real gap in RL: Use Case with TIAGo and Isaac Sim/Gym

要約

この論文では、TIAGo モバイル マニピュレーターを使用したロボット操作のシミュレーションからリアルへの転送というコンテキストでのポリシー学習アプローチを検討し、両方とも Nvidia によって開発された 2 つの最先端のシミュレーター、Isaac Gym と Isaac Sim に焦点を当てます。
シミュレーションと実際の環境の両方で衝突のない動きを実現することに特に重点を置いて、制御アーキテクチャについて説明します。
提示された結果は、シミュレーションからリアルへの転送が成功したことを示しており、シミュレーションと実際のセットアップの両方で RL でトレーニングされたモデルによって実行された同様の動きが示されています。

要約(オリジナル)

This paper explores policy-learning approaches in the context of sim-to-real transfer for robotic manipulation using a TIAGo mobile manipulator, focusing on two state-of-art simulators, Isaac Gym and Isaac Sim, both developed by Nvidia. Control architectures are discussed, with a particular emphasis on achieving collision-less movement in both simulation and the real environment. Presented results demonstrate successful sim-to-real transfer, showcasing similar movements executed by an RL-trained model in both simulated and real setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google