Learning Diffusion Policies from Demonstrations For Compliant Contact-rich Manipulation

要約

ロボットは、反復的な作業や危険な作業を実行する上で大きな期待を寄せられていますが、特に接触が多く動的な環境において、人間のような器用さを実現することは依然として困難です。
位置制御または速度制御に依存する剛性ロボットは、多くの場合、安定した接触を維持し、力を集中的に使用するタスクで一貫した力を適用するのに苦労します。
デモンストレーションから学ぶことが解決策として浮上しましたが、粉末粉砕などの複雑な操作を必要とする作業には特有の困難があります。
このペーパーでは、準拠制御タスク用に設計された新しい拡散ベースのフレームワークである Diffusion Policies For Compliant Manipulation (DIPCOM) を紹介します。
生成拡散モデルを活用することで、デカルト エンドエフェクターのポーズを予測し、必要な力を維持するためにアームの剛性を調整するポリシーを開発します。
私たちのアプローチは、マルチモーダルな分布モデリングを通じて力の制御を強化し、コンプライアンス制御における拡散ポリシーの統合を改善し、現実世界のタスクでの有効性を実証することでこれまでの研究を拡張します。
私たちのフレームワークと既存の手法の詳細な比較を示し、普及ベースのコンプライアンス管理を展開する利点とベスト プラクティスを強調します。

要約(オリジナル)

Robots hold great promise for performing repetitive or hazardous tasks, but achieving human-like dexterity, especially in contact-rich and dynamic environments, remains challenging. Rigid robots, which rely on position or velocity control, often struggle with maintaining stable contact and applying consistent force in force-intensive tasks. Learning from Demonstration has emerged as a solution, but tasks requiring intricate maneuvers, such as powder grinding, present unique difficulties. This paper introduces Diffusion Policies For Compliant Manipulation (DIPCOM), a novel diffusion-based framework designed for compliant control tasks. By leveraging generative diffusion models, we develop a policy that predicts Cartesian end-effector poses and adjusts arm stiffness to maintain the necessary force. Our approach enhances force control through multimodal distribution modeling, improves the integration of diffusion policies in compliance control, and extends our previous work by demonstrating its effectiveness in real-world tasks. We present a detailed comparison between our framework and existing methods, highlighting the advantages and best practices for deploying diffusion-based compliance control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google