Whole-body end-effector pose tracking

要約

操作と脚式ロボットの可動性を組み合わせることが、幅広いロボット用途に不可欠です。
ただし、アームを可動ベースと統合すると、システムの複雑さが大幅に増加し、正確なエンドエフェクター制御が困難になります。
既存のモデルベースのアプローチは、モデリングの前提条件によって制約されることが多く、堅牢性が制限されます。
一方、最近の強化学習 (RL) の実装では、適切な追跡精度を得るために、アームのワークスペースがロボットの前にあるように制限されたり、位置のみを追跡したりしています。
この研究では、凹凸のある非構造化地形上の大規模なワークスペースでエンドエフェクターのポーズを追跡するための全身 RL 定式化を導入することで、これらの制限に対処します。
私たちが提案する方法には、ロボットの初期構成とエンドエフェクターのポーズ コマンドのための地形を意識したサンプリング戦略と、ロボットの動作範囲を拡張するためのゲームベースのカリキュラムが含まれています。
6 自由度のロボット アームを備えた ANYmal 四足歩行ロボットに対するアプローチを検証します。
私たちの実験を通じて、学習されたコントローラーが広い作業スペースにわたって正確なコマンド追跡を実現し、階段や坂道などのさまざまな地形に適応できることを示しました。
導入時には、2.64 cm および 3.64 度の姿勢追跡誤差を達成し、既存の競争力のあるベースラインを上回ります。

要約(オリジナル)

Combining manipulation with the mobility of legged robots is essential for a wide range of robotic applications. However, integrating an arm with a mobile base significantly increases the system’s complexity, making precise end-effector control challenging. Existing model-based approaches are often constrained by their modeling assumptions, leading to limited robustness. Meanwhile, recent Reinforcement Learning (RL) implementations restrict the arm’s workspace to be in front of the robot or track only the position to obtain decent tracking accuracy. In this work, we address these limitations by introducing a whole-body RL formulation for end-effector pose tracking in a large workspace on rough, unstructured terrains. Our proposed method involves a terrain-aware sampling strategy for the robot’s initial configuration and end-effector pose commands, as well as a game-based curriculum to extend the robot’s operating range. We validate our approach on the ANYmal quadrupedal robot with a six DoF robotic arm. Through our experiments, we show that the learned controller achieves precise command tracking over a large workspace and adapts across varying terrains such as stairs and slopes. On deployment, it achieves a pose-tracking error of 2.64 cm and 3.64 degrees, outperforming existing competitive baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google