FORGE: Force-Guided Exploration for Robust Contact-Rich Manipulation under Uncertainty

要約

本論文では、大きな姿勢の不確実性が存在する場合に、力を考慮した操作ポリシーをシミュレーションから実ロボットへ転送するための手法であるFORGEを紹介する。FORGEは、シミュレーションに基づくポリシーの学習時に、力の閾値メカニズムとダイナミクスのランダム化スキームを組み合わせることで、学習したポリシーの実ロボットへのロバストな転送を可能にする。FORGEは、最大許容力を条件として、コントローラゲインに関係なく、攻撃的で安全でない動作を回避しながら、接触が多いタスクを適応的に実行する。さらに、FORGEポリシーはタスクの成功を予測し、効率的な終了と力の閾値の自律的なチューニングを可能にする。FORGEを使用して、スナップフィットコネクタの強制挿入を含む、様々なロバストな接触リッチポリシーを学習できることを示す。さらに、ナットのねじ切り、挿入、ギアの噛み合わせという3つの組み立てタスクの成功を必要とする遊星ギアシステムの多段組み立てを実証する。プロジェクトのウェブサイトはhttps://noseworm.github.io/forge/。

要約(オリジナル)

We present FORGE, a method for sim-to-real transfer of force-aware manipulation policies in the presence of significant pose uncertainty. During simulation-based policy learning, FORGE combines a force threshold mechanism with a dynamics randomization scheme to enable robust transfer of the learned policies to the real robot. At deployment, FORGE policies, conditioned on a maximum allowable force, adaptively perform contact-rich tasks while avoiding aggressive and unsafe behaviour, regardless of the controller gains. Additionally, FORGE policies predict task success, enabling efficient termination and autonomous tuning of the force threshold. We show that FORGE can be used to learn a variety of robust contact-rich policies, including the forceful insertion of snap-fit connectors. We further demonstrate the multistage assembly of a planetary gear system, which requires success across three assembly tasks: nut threading, insertion, and gear meshing. Project website can be accessed at https://noseworm.github.io/forge/.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL