Learning Dynamic Tasks on a Large-scale Soft Robot in a Handful of Trials

要約

柔らかいロボットは、従来の硬いロボットよりも高い柔軟性、コンプライアンス、および適応性を提供します。
また、通常、軽量で製造コストも安くなります。
ただし、モデリングの課題と効果的な固有受容センサーの統合の難しさにより、実世界のアプリケーションでの使用は制限されています。
大規模なソフト ロボット (長さ約 2 メートル) は、慣性の増加とそれに関連する重力の影響により、モデリングがより複雑になります。
単純な運動学モデルや力学モデルを仮定するなど、これらのモデリングの困難を軽減するための一般的な取り組みも、ソフトロボットの一般的な能力を制限しており、投げたりハンマーで叩いたりするような高速で動的な動作を必要とするタスクには適用できません。
これらの課題を克服するために、大規模なソフトロボット上の動的タスクの制御ポリシーを学習するための、データ効率の高いベイジアン最適化ベースのアプローチを提案します。
私たちのアプローチは、中間ステップとして近似的な運動学やダイナミクスを必要とせず、指令された圧力から直接タスクの目的関数を最適化します。
私たちは、シミュレーション実験と現実世界の実験の両方を通じて、アプローチの有効性を実証します。

要約(オリジナル)

Soft robots offer more flexibility, compliance, and adaptability than traditional rigid robots. They are also typically lighter and cheaper to manufacture. However, their use in real-world applications is limited due to modeling challenges and difficulties in integrating effective proprioceptive sensors. Large-scale soft robots ($\approx$ two meters in length) have greater modeling complexity due to increased inertia and related effects of gravity. Common efforts to ease these modeling difficulties such as assuming simple kinematic and dynamics models also limit the general capabilities of soft robots and are not applicable in tasks requiring fast, dynamic motion like throwing and hammering. To overcome these challenges, we propose a data-efficient Bayesian optimization-based approach for learning control policies for dynamic tasks on a large-scale soft robot. Our approach optimizes the task objective function directly from commanded pressures, without requiring approximate kinematics or dynamics as an intermediate step. We demonstrate the effectiveness of our approach through both simulated and real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google