Visual-Based Forklift Learning System Enabling Zero-Shot Sim2Real Without Real-World Data

要約

フォークリフトはさまざまな産業環境で広く使用されており、自動化の需要が高まっています。
特にカウンターバランスフォークリフトは汎用性が高く、さまざまなシーンで活用されています。
しかし、安全でパフォーマンス検証可能な開発環境が存在しないことが主な原因で、これらのプロセスを自動化する取り組みは不足しています。
この研究では、この課題に対処するために、写真のようにリアルなデジタル学習環境と 1/14 スケールのロボットフォークリフト環境を組み合わせた学習システムを提案します。
フォークリフトオペレーターが採用しているトレーニングベースの学習アプローチにインスピレーションを受け、当社はエンドツーエンドのビジョンベースの深層強化学習アプローチを採用しています。
学習は CAD データから作成されたデジタル化された環境で行われるため、安全であり、実世界のデータは必要ありません。
さらに、実際のフォークリフトと同様の構成を備えた 1/14 スケールのロボット フォークリフトを使用して、物理的な環境でメソッドを安全に検証します。
ロボットフォークリフトを使用した実際の実験では、パレット積み作業の成功率60%を達成しました。
私たちのアプローチは、ヒューリスティックな加算を必要としない単純な方法でゼロショット sim2real を実証します。
この学習ベースのアプローチは、カウンターバランス フォークリフトの自動化に向けた第一歩と考えられています。

要約(オリジナル)

Forklifts are used extensively in various industrial settings and are in high demand for automation. In particular, counterbalance forklifts are highly versatile and employed in diverse scenarios. However, efforts to automate these processes are lacking, primarily owing to the absence of a safe and performance-verifiable development environment. This study proposes a learning system that combines a photorealistic digital learning environment with a 1/14-scale robotic forklift environment to address this challenge. Inspired by the training-based learning approach adopted by forklift operators, we employ an end-to-end vision-based deep reinforcement learning approach. The learning is conducted in a digitalized environment created from CAD data, making it safe and eliminating the need for real-world data. In addition, we safely validate the method in a physical setting utilizing a 1/14-scale robotic forklift with a configuration similar to that of a real forklift. We achieved a 60% success rate in pallet loading tasks in real experiments using a robotic forklift. Our approach demonstrates zero-shot sim2real with a simple method that does not require heuristic additions. This learning-based approach is considered a first step towards the automation of counterbalance forklifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google