AutoMate: Specialist and Generalist Assembly Policies over Diverse Geometries

要約

混合率の高い環境でのロボットの組み立てには、さまざまなパーツやポーズへの適応性が必要ですが、これは未解決の課題です。
一方、ロボット工学の他の分野では、大型モデルと現実のシミュレーションが大きな進歩をもたらしました。
このような研究からインスピレーションを得て、私たちは AutoMate を紹介します。これは 4 つの部分で構成される学習フレームワークおよびシステムです。1) シミュレーションと現実世界と互換性のある 100 アセンブリのデータセットと、ポリシー学習用の並列シミュレーション環境、2) 新しいシミュレーション
スペシャリスト (つまり、部品固有) ポリシーとジェネラリスト (つまり、統合) アセンブリ ポリシーを学習するためのベースのアプローチ、3) シミュレーションで 80% 以上の成功率で 80 個のアセンブリを個別に解決するスペシャリスト ポリシーとジェネラリスト ポリシーのデモンストレーション
80% 以上の成功率で 20 個のアセンブリを共同で解決します。4) 知覚初期化アセンブリを含め、シミュレーションと同等 (またはそれ以上) のパフォーマンスを達成するゼロショット シミュレーションからリアルへの転送。
方法論上の重要な点は、製造エンジニアリング、キャラクター アニメーション、時系列解析からの多様なアルゴリズムを組み合わせることで、ロボットの組み立てに関するさまざまな問題に対する汎用的で堅牢なソリューションが提供されるということです。
私たちの知る限り、AutoMate は、幅広いアセンブリにわたってスペシャリストおよびゼネラリストのポリシーを学習するための初のシミュレーション ベースのフレームワークを提供するとともに、そのような範囲にわたるゼロショットのシミュレーションからリアルへの転送を実証する最初のシステムを提供します。
ビデオとその他の詳細については、プロジェクト Web サイトをご覧ください: https://bingjietang718.github.io/automate/

要約(オリジナル)

Robotic assembly for high-mixture settings requires adaptivity to diverse parts and poses, which is an open challenge. Meanwhile, in other areas of robotics, large models and sim-to-real have led to tremendous progress. Inspired by such work, we present AutoMate, a learning framework and system that consists of 4 parts: 1) a dataset of 100 assemblies compatible with simulation and the real world, along with parallelized simulation environments for policy learning, 2) a novel simulation-based approach for learning specialist (i.e., part-specific) policies and generalist (i.e., unified) assembly policies, 3) demonstrations of specialist policies that individually solve 80 assemblies with 80% or higher success rates in simulation, as well as a generalist policy that jointly solves 20 assemblies with an 80%+ success rate, and 4) zero-shot sim-to-real transfer that achieves similar (or better) performance than simulation, including on perception-initialized assembly. The key methodological takeaway is that a union of diverse algorithms from manufacturing engineering, character animation, and time-series analysis provides a generic and robust solution for a diverse range of robotic assembly problems. To our knowledge, AutoMate provides the first simulation-based framework for learning specialist and generalist policies over a wide range of assemblies, as well as the first system demonstrating zero-shot sim-to-real transfer over such a range. For videos and additional details, please see our project website: https://bingjietang718.github.io/automate/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google