Retrieval Dexterity: Efficient Object Retrieval in Clutters with Dexterous Hand

要約

複数のオブジェクトの下に埋もれたオブジェクトを取得することは、挑戦的であるだけでなく、時間がかかります。
このような環境で操作を実行すると、複雑な接触関係により大きな困難があります。
既存のメソッドは通常、各閉塞オブジェクトを順番に把握および削除し、実行時間が長くなり、すべてのオクルードオブジェクトに非実用的な把握能力を必要とすることにより、このタスクに対処します。
このホワイトペーパーでは、マルチオブジェクト積み上げ環境で効率的なオブジェクト検索のための器用なアームハンドシステムを紹介します。
当社のアプローチは、多様で慎重に設計された乱雑な環境内で大規模な並列強化学習を活用して、ポリシーを訓練します。
これらのポリシーは、ターゲットオブジェクトの十分な表面積を露出させるためにオブジェクトを効率的にクリアするオブジェクトを効率的にクリアする緊急の操作スキル（たとえば、プッシュ、攪拌、突起）を示しています。
多様なクラッター構成で10を超える家庭用オブジェクトのセットで広範な評価を実施し、訓練されたオブジェクトと目に見えないオブジェクトの両方で優れた検索性能と効率性を示しています。
さらに、学習したポリシーは、実際のマルチフィンガーロボットシステムに実質的な適用性を検証し、実際の適用性を検証することに成功しました。
ビデオは、プロジェクトWebサイトhttps://changwinde.github.io/retrdexにあります。

要約(オリジナル)

Retrieving objects buried beneath multiple objects is not only challenging but also time-consuming. Performing manipulation in such environments presents significant difficulty due to complex contact relationships. Existing methods typically address this task by sequentially grasping and removing each occluding object, resulting in lengthy execution times and requiring impractical grasping capabilities for every occluding object. In this paper, we present a dexterous arm-hand system for efficient object retrieval in multi-object stacked environments. Our approach leverages large-scale parallel reinforcement learning within diverse and carefully designed cluttered environments to train policies. These policies demonstrate emergent manipulation skills (e.g., pushing, stirring, and poking) that efficiently clear occluding objects to expose sufficient surface area of the target object. We conduct extensive evaluations across a set of over 10 household objects in diverse clutter configurations, demonstrating superior retrieval performance and efficiency for both trained and unseen objects. Furthermore, we successfully transfer the learned policies to a real-world dexterous multi-fingered robot system, validating their practical applicability in real-world scenarios. Videos can be found on our project website https://ChangWinde.github.io/RetrDex.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google