Learning Dexterous Bimanual Catch Skills through Adversarial-Cooperative Heterogeneous-Agent Reinforcement Learning

要約

ロボットキャッチングは、伝統的に片手システムに焦点を当ててきました。片手システムは、より大きいまたはより複雑なオブジェクトを処理する能力が制限されています。
対照的に、二近のキャッチは、器用さとオブジェクトの取り扱いを改善するための重要な可能性を提供しますが、調整と制御に新しい課題をもたらします。
この論文では、不均一なエージェント補強学習（HARL）を使用して、器用な双方向キャッチスキルを学習するための新しいフレームワークを提案します。
私たちのアプローチでは、スローエージェントがスロー調整の難しさを高める敵対的な報酬スキームを導入します。漁獲エージェントがこれらの進化する条件下でオブジェクトを捕まえるために両手を調整することを学びます。
15の異なるオブジェクトを使用して、シミュレートされた環境でフレームワークを評価し、多様なオブジェクトの処理において堅牢性と汎用性を示します。
私たちの方法は、15の多様なオブジェクトにわたる単一エージェントのベースラインと比較して、キャッチング報酬が約2倍増加しました。

要約(オリジナル)

Robotic catching has traditionally focused on single-handed systems, which are limited in their ability to handle larger or more complex objects. In contrast, bimanual catching offers significant potential for improved dexterity and object handling but introduces new challenges in coordination and control. In this paper, we propose a novel framework for learning dexterous bimanual catching skills using Heterogeneous-Agent Reinforcement Learning (HARL). Our approach introduces an adversarial reward scheme, where a throw agent increases the difficulty of throws-adjusting speed-while a catch agent learns to coordinate both hands to catch objects under these evolving conditions. We evaluate the framework in simulated environments using 15 different objects, demonstrating robustness and versatility in handling diverse objects. Our method achieved approximately a 2x increase in catching reward compared to single-agent baselines across 15 diverse objects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google