Energy-based Contact Planning under Uncertainty for Robot Air Hockey

要約

ロボットの接触計画には、結果を予測するための推論が必要な場合が多く、このような計画問題には計算コストがかかる。本レターでは、不確実な接触ダイナミクスを条件として、リアルタイムで効率的な接触プランニングを行うための学習フレームワークを提案する。我々は、ロボットエアホッケーのタスクの例に対して本アプローチを実装する。学習されたパックダイナミクスの確率モデルに基づき、シュート動作の接触計画を、ゴールにヒットする確率制約を持つ確率最適制御問題として定式化する。オンライン再計画機能を実現するために、エネルギーベースのモデルを訓練し、最適なシュート計画をリアルタイムで生成することを提案する。訓練されたポリシーの性能は、シミュレーションと実ロボットセットアップの両方で実験により検証された。さらに、本アプローチは、NeurIPS 2023 Robot Air Hockey Challengeの一部として、競争的な設定でテストされた。

要約(オリジナル)

Planning robot contact often requires reasoning over a horizon to anticipate outcomes, making such planning problems computationally expensive. In this letter, we propose a learning framework for efficient contact planning in real-time subject to uncertain contact dynamics. We implement our approach for the example task of robot air hockey. Based on a learned stochastic model of puck dynamics, we formulate contact planning for shooting actions as a stochastic optimal control problem with a chance constraint on hitting the goal. To achieve online re-planning capabilities, we propose to train an energy-based model to generate optimal shooting plans in real time. The performance of the trained policy is validated %in experiments both in simulation and on a real-robot setup. Furthermore, our approach was tested in a competitive setting as part of the NeurIPS 2023 Robot Air Hockey Challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL