Leveraging Procedural Generation for Learning Autonomous Peg-in-Hole Assembly in Space

要約

構造物を自律的に組み立てる能力は、将来の宇宙インフラの開発にとって非常に重要です。
しかし、宇宙の予測不可能な条件はロボット システムにとって大きな課題となっており、自律的な組み立てを可能にする高度な学習技術の開発が必要です。
この研究では、宇宙ロボット工学の文脈で自律的なペグインホール組み立てを学習するための新しいアプローチを紹介します。
私たちは、深層強化学習を通じて自律システムの一般化と適応性を強化することに重点を置いています。
プロシージャル生成とドメインのランダム化を統合することで、堅牢なポリシーを取得することを目的として、さまざまなシナリオにわたって高度に並列化されたシミュレーション環境でエージェントをトレーニングします。
提案されたアプローチは、さまざまなパラダイム間のトレードオフを調査するために 3 つの異なる強化学習アルゴリズムを使用して評価されます。
私たちは、宇宙でのロボット学習のための高度なシミュレーション技術を活用する可能性を強調しながら、新しいシナリオや組み立てシーケンスに対するエージェントの適応性を実証します。
私たちの発見は、地球を超えた野心的な宇宙ミッションやインフラ開発をサポートできるインテリジェントロボットシステムの将来の進歩の舞台を設定します。

要約(オリジナル)

The ability to autonomously assemble structures is crucial for the development of future space infrastructure. However, the unpredictable conditions of space pose significant challenges for robotic systems, necessitating the development of advanced learning techniques to enable autonomous assembly. In this study, we present a novel approach for learning autonomous peg-in-hole assembly in the context of space robotics. Our focus is on enhancing the generalization and adaptability of autonomous systems through deep reinforcement learning. By integrating procedural generation and domain randomization, we train agents in a highly parallelized simulation environment across a spectrum of diverse scenarios with the aim of acquiring a robust policy. The proposed approach is evaluated using three distinct reinforcement learning algorithms to investigate the trade-offs among various paradigms. We demonstrate the adaptability of our agents to novel scenarios and assembly sequences while emphasizing the potential of leveraging advanced simulation techniques for robot learning in space. Our findings set the stage for future advancements in intelligent robotic systems capable of supporting ambitious space missions and infrastructure development beyond Earth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google