FORGE: Force-Guided Exploration for Robust Contact-Rich Manipulation under Uncertainty

要約

我々は、重大な姿勢の不確実性が存在する場合でも、コンタクトリッチ操作ポリシーのシミュレーションからリアルへの転送を可能にする手法である FORGE を紹介します。
FORGE は、シミュレーションでのポリシー学習中に力のしきい値メカニズムとダイナミクスのランダム化スキームを組み合わせて、学習したポリシーを実際のロボットに確実に転送できるようにします。
導入時、FORGE ポリシーは、最大許容力を条件として、コントローラーのゲインに関係なく、指定された力のしきい値を尊重しながら、接触が多いタスクを適応的に実行します。
さらに、FORGE はタスクが成功すると、終了アクションを自律的に予測します。
FORGE を使用して、さまざまな堅牢な接触リッチ ポリシーを学習し、ナットのねじ切り、挿入、歯車の噛み合いという 3 つの組み立てタスク全体で成功する必要がある遊星歯車システムの多段階組み立てを可能にすることを実証します。
プロジェクトの Web サイトには https://noseworm.github.io/forge/ からアクセスできます。

要約(オリジナル)

We present FORGE, a method that enables sim-to-real transfer of contact-rich manipulation policies in the presence of significant pose uncertainty. FORGE combines a force threshold mechanism with a dynamics randomization scheme during policy learning in simulation, to enable the robust transfer of the learned policies to the real robot. At deployment, FORGE policies, conditioned on a maximum allowable force, adaptively perform contact-rich tasks while respecting the specified force threshold, regardless of the controller gains. Additionally, FORGE autonomously predicts a termination action once the task has succeeded. We demonstrate that FORGE can be used to learn a variety of robust contact-rich policies, enabling multi-stage assembly of a planetary gear system, which requires success across three assembly tasks: nut-threading, insertion, and gear meshing. Project website can be accessed at https://noseworm.github.io/forge/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google