Learning Force Control for Legged Manipulation

要約

インタラクション中の接触力を制御することは、移動や操作のタスクにとって重要です。
sim-to-real 強化学習 (RL) は多くの接触が豊富な問題で成功していますが、現在の RL 手法は力を明示的に制御することなく、暗黙的に強制的な相互作用を実現します。
我々は、力感知へのアクセスを必要とせずに直接力を制御するためのRLポリシーをトレーニングする方法を提案します。
アームを備えた四足歩行ロボットの全身制御プラットフォーム上でこの手法を紹介します。
このような力制御により、重力補償とインピーダンス制御を実行できるようになり、準拠した全身操作が可能になります。
可変コンプライアンスを備えた学習型全身コントローラーにより、人間はマニピュレーターに命令するだけで直感的にロボットを遠隔操作でき、ロボットの本体は希望の位置と力を達成するために自動的に調整されます。
その結果、人間の遠隔操作者は、さまざまな移動操作タスクを簡単にデモンストレーションすることができます。
私たちの知る限り、当社は学習された全身力制御を脚式マニピュレーターに初めて導入し、より多用途で適応性のある脚式ロボットへの道を切り開きます。

要約(オリジナル)

Controlling contact forces during interactions is critical for locomotion and manipulation tasks. While sim-to-real reinforcement learning (RL) has succeeded in many contact-rich problems, current RL methods achieve forceful interactions implicitly without explicitly regulating forces. We propose a method for training RL policies for direct force control without requiring access to force sensing. We showcase our method on a whole-body control platform of a quadruped robot with an arm. Such force control enables us to perform gravity compensation and impedance control, unlocking compliant whole-body manipulation. The learned whole-body controller with variable compliance makes it intuitive for humans to teleoperate the robot by only commanding the manipulator, and the robot’s body adjusts automatically to achieve the desired position and force. Consequently, a human teleoperator can easily demonstrate a wide variety of loco-manipulation tasks. To the best of our knowledge, we provide the first deployment of learned whole-body force control in legged manipulators, paving the way for more versatile and adaptable legged robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google