要約
不規則な形状の物体を正確に配置するには、熟練したロボット システムが必要です。
敏感な上面と固定された近傍セットを持つオブジェクトの操作は特に困難です。
表面の損傷を避けるために、ロボットはそれらを側面から掴む必要があり、配置中には、物理的なグリッパーの範囲を考慮しながら、隣接するオブジェクトとの空間関係を維持する必要があります。
この研究では、オブジェクトをできるだけ近くに配置するエンドエフェクターの動きを生成する強化学習に基づいてエージェントを学習するフレームワークを提案します。
配置中に、エージェントは衝突を回避しながら、オブジェクトの特定のレイアウトで定義された隣接オブジェクトとの空間的制約を考慮します。
私たちのアプローチは、従来の方法で必要とされるオブジェクト間の事前定義された間隔を必要とせずに、コンパクトなオブジェクトアセンブリを配置する方法を学習します。
私たちは、6 自由度のロボット アームに取り付けられた 2 本指グリッパーを使用して、アプローチを徹底的に評価しました。
結果は、エージェントがオブジェクト アセンブリのコンパクトさにおいて 2 つのベースライン アプローチを大幅に上回っており、それによって、隣接して配置されたオブジェクトとの指定された空間制約に従ってオブジェクトを配置するために必要なスペースが削減されたことを示しています。
要約(オリジナル)
Close and precise placement of irregularly shaped objects requires a skilled robotic system. The manipulation of objects that have sensitive top surfaces and a fixed set of neighbors is particularly challenging. To avoid damaging the surface, the robot has to grasp them from the side, and during placement, it has to maintain the spatial relations with adjacent objects, while considering the physical gripper extent. In this work, we propose a framework to learn an agent based on reinforcement learning that generates end-effector motions to place objects as close as possible next to each other. During the placement, our agent considers the spatial constraints with neighbors defined in a given layout of the objects while avoiding collisions. Our approach learns to place compact object assemblies without the need for predefined spacing between objects as required by traditional methods. We thoroughly evaluated our approach using a two-finger gripper mounted on a robotic arm with six degrees of freedom. The results show that our agent significantly outperforms two baseline approaches in object assembly compactness, thereby reducing the space required to place the objects according to the specified spatial constraints with the neighboring placed objects.
arxiv情報
著者 | Benedikt Kreis,Nils Dengler,Jorge de Heuvel,Rohit Menon,Hamsa Datta Perur,Maren Bennewitz |
発行日 | 2024-07-18 09:44:48+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google