Learning Stable Robot Grasping with Transformer-based Tactile Control Policies

要約

掴みの安定性の測定は、ロボットを器用に操作するタスクにとって重要なスキルであり、触覚センサーによる触覚情報から推定できます。
制御ポリシーでは、触覚フィードバックから回転変位と滑りを検出し、位置と力の観点から再把握戦略を決定する必要があります。
古典的な安定した把握タスクは、重心が固定されたオブジェクトの再把握位置を解決するための制御ポリシーをトレーニングするだけです。
本研究では、重心が不明で移動する物体に対する再把握位置と把握力の両方を最適化する安定把握タスクの改良版を提案します。
私たちは、モデルフリーのエンドツーエンドの Transformer ベースの強化学習フレームワークを使用してこのタスクに取り組みます。
シミュレーションとゼロショット転送による現実世界のセットアップの両方でトレーニングした後、私たちのアプローチが両方の目的を解決できることを示します。
また、2 つの相反する目標を最適化するダイナミクスを理解するために、さまざまなモデルのパフォーマンス分析も提供します。

要約(オリジナル)

Measuring grasp stability is an important skill for dexterous robot manipulation tasks, which can be inferred from haptic information with a tactile sensor. Control policies have to detect rotational displacement and slippage from tactile feedback, and determine a re-grasp strategy in term of location and force. Classic stable grasp task only trains control policies to solve for re-grasp location with objects of fixed center of gravity. In this work, we propose a revamped version of stable grasp task that optimises both re-grasp location and gripping force for objects with unknown and moving center of gravity. We tackle this task with a model-free, end-to-end Transformer-based reinforcement learning framework. We show that our approach is able to solve both objectives after training in both simulation and in a real-world setup with zero-shot transfer. We also provide performance analysis of different models to understand the dynamics of optimizing two opposing objectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google