Learning thin deformable object manipulation with a multi-sensory integrated soft hand

要約

ロボット操作は大幅な進歩を遂げ、システムは高い精度と再現性を実証しました。
ただし、この驚くべき精度は、薄い変形可能なオブジェクトの効率的な操作に変換できないことがよくあります。
現在のロボット システムには、不正確な器用さ、つまり正確な制御に依存しない堅牢で適応的な動作を通じて器用な操作を実行する能力が欠けています。
この論文では、薄くて変形可能な物体の個片化と把握について検討します。
ここでは、受動的コンプライアンス、タッチ、および固有受容を薄く変形可能なオブジェクトの操作に組み込む新しいソリューションを提案します。
私たちのシステムは、受動的なコンプライアンスを提供する柔らかくて作動が少ない手を採用しており、正確な制御を必要とせずに変形可能な物体を器用に操作するための適応的で穏やかな相互作用を促進します。
手に装備された触覚センサーと力/トルクセンサーは、深度カメラとともに、提案されたスリップモジュールを介して操作に必要な感覚データを収集します。
操作ポリシーは、明示的な環境およびオブジェクトのモデリングをバイパスし、モデルフリーの強化学習を通じて生の感覚データから直接学習されます。
階層的な二重ループ学習プロセスを実装し、アクション空間を分離することで学習効率を高めます。
私たちのメソッドは現実世界のロボットに導入され、自己教師付きの方法でトレーニングされました。
結果として得られたポリシーは、販売員のようにスーツの生地を陳列することからヴァイオリニストの楽譜のページをめくることに至るまで、先行研究の能力を超えたさまざまな困難なタスクでテストされました。

要約(オリジナル)

Robotic manipulation has made significant advancements, with systems demonstrating high precision and repeatability. However, this remarkable precision often fails to translate into efficient manipulation of thin deformable objects. Current robotic systems lack imprecise dexterity, the ability to perform dexterous manipulation through robust and adaptive behaviors that do not rely on precise control. This paper explores the singulation and grasping of thin, deformable objects. Here, we propose a novel solution that incorporates passive compliance, touch, and proprioception into thin, deformable object manipulation. Our system employs a soft, underactuated hand that provides passive compliance, facilitating adaptive and gentle interactions to dexterously manipulate deformable objects without requiring precise control. The tactile and force/torque sensors equipped on the hand, along with a depth camera, gather sensory data required for manipulation via the proposed slip module. The manipulation policies are learned directly from raw sensory data via model-free reinforcement learning, bypassing explicit environmental and object modeling. We implement a hierarchical double-loop learning process to enhance learning efficiency by decoupling the action space. Our method was deployed on real-world robots and trained in a self-supervised manner. The resulting policy was tested on a variety of challenging tasks that were beyond the capabilities of prior studies, ranging from displaying suit fabric like a salesperson to turning pages of sheet music for violinists.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google