Learning Cross-hand Policies for High-DOF Reaching and Grasping

要約

手を伸ばして掴むことはロボット操作の基本的なスキルですが、既存の方法では通常、特定のグリッパーでモデルをトレーニングし、再トレーニングせずに別のグリッパーで再利用することはできません。
この論文では、さまざまな器用なグリッパーに簡単に転送できる統一ポリシー モデルを学習できる新しい方法を提案します。
私たちの方法は、グリッパー上の事前定義されたキーポイントの変位を予測するグリッパーに依存しないポリシー モデルと、これらの変位をグリッパーのジョイントを制御するための調整に変換するグリッパー固有の適応モデルの 2 つの段階で構成されます。
グリッパーの状態とオブジェクトとの相互作用は、堅牢な幾何学的表現を使用して指レベルでキャプチャされ、トランスベースのネットワークと統合されて、グリッパーの形態と幾何学的形状の変化に対処します。
実験部分では、いくつかの器用なグリッパーとさまざまな形状の物体に対して私たちの方法を評価しました。その結果、私たちの方法がベースラインの方法よりも大幅に優れていることがわかりました。
さまざまな器用なグリッパー間での把握ポリシーの伝達の先駆者である私たちの方法は、さまざまなロボットハンドの一般化可能かつ伝達可能な操作スキルを学習する可能性を効果的に示しています。

要約(オリジナル)

Reaching-and-grasping is a fundamental skill for robotic manipulation, but existing methods usually train models on a specific gripper and cannot be reused on another gripper without retraining. In this paper, we propose a novel method that can learn a unified policy model that can be easily transferred to different dexterous grippers. Our method consists of two stages: a gripper-agnostic policy model that predicts the displacements of predefined key points on the gripper, and a gripper specific adaptation model that translates these displacements into adjustments for controlling the grippers’ joints. The gripper state and interactions with objects are captured at the finger level using robust geometric representations, integrated with a transformer-based network to address variations in gripper morphology and geometry. In the experimental part, we evaluate our method on several dexterous grippers and objects of diverse shapes, and the result shows that our method significantly outperforms the baseline methods. Pioneering the transfer of grasp policies across different dexterous grippers, our method effectively demonstrates its potential for learning generalizable and transferable manipulation skills for various robotic hands

arxiv情報

提供元, 利用サービス

arxiv.jp, Google