Learning to Singulate Objects in Packed Environments using a Dexterous Hand

要約

ロボットによる物体の個片化 (ロボットが乱雑な環境で対象物体を分離、把握、および回収する必要がある) は、ロボット操作における基本的な課題です。
このタスクは、オクルージョンや、他のオブジェクトが操作の障害物としてどのように機能するかによって、困難になります。
ロボットは、ターゲットを単一化しようとするときに、オブジェクト間の相互作用の影響についても推論する必要があります。
これまでの研究では、スペースが狭く、オブジェクトが互いにほとんど分離していない場合とは対照的に、オブジェクトを分離するために比較的長いプッシュを実行するのに十分な空きスペースがあるシナリオでのオブジェクトの単一化を検討してきました。
このペーパーでは、Singulated Objects in Packed Environments (SOPE) フレームワークを提案します。
我々は、変位ベースの状態表現と、16-DOF Allegro Hand を使用したシンギュレーションを可能にする多段階強化学習手順を含む新しい方法を提案します。
Isaac Gym シミュレーションで広範な実験を行い、乱雑なターゲット オブジェクトを単一化するシステムの能力を示します。
シミュレーションで訓練されたポリシーを現実世界に直接転送します。
250 回を超える物理的なロボット操作の試行により、私たちの方法は 79.2% の成功率を獲得し、代替の学習方法や非学習方法を上回りました。

要約(オリジナル)

Robotic object singulation, where a robot must isolate, grasp, and retrieve a target object in a cluttered environment, is a fundamental challenge in robotic manipulation. This task is difficult due to occlusions and how other objects act as obstacles for manipulation. A robot must also reason about the effect of object-object interactions as it tries to singulate the target. Prior work has explored object singulation in scenarios where there is enough free space to perform relatively long pushes to separate objects, in contrast to when space is tight and objects have little separation from each other. In this paper, we propose the Singulating Objects in Packed Environments (SOPE) framework. We propose a novel method that involves a displacement-based state representation and a multi-phase reinforcement learning procedure that enables singulation using the 16-DOF Allegro Hand. We demonstrate extensive experiments in Isaac Gym simulation, showing the ability of our system to singulate a target object in clutter. We directly transfer the policy trained in simulation to the real world. Over 250 physical robot manipulation trials, our method obtains success rates of 79.2%, outperforming alternative learning and non-learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google