CageCoOpt: Enhancing Manipulation Robustness through Caging-Guided Morphology and Policy Co-Optimization

要約

接触ダイナミクスと物体形状の不確実性は、ロバストなロボット操作の大きな障壁であり続けています。ケージングは、精密な接触モデリングを必要とせずに物体の移動性を制約することで、これらの不確実性を軽減する。しかし、既存のケージングの研究は、形態学とポリシーの最適化を別々の問題として扱っており、その本質的な相乗効果を見落としています。本論文では、ロバストなマニピュレーションを実現するために、マニピュレータの形態と制御ポリシーを共同で最適化する階層的フレームワークであるCageCoOptを紹介する。このフレームワークでは、下層でポリシーの最適化に強化学習を用い、上層で形態の最適化にマルチタスクベイズ最適化を用いる。ケージングにおけるロバスト性の指標である最小脱出エネルギーは、ケージング構成を促進し、マニピュレーションのロバスト性を向上させるために、両レベルの目的に組み込まれている。4つのマニピュレーションタスクによる評価結果は、形態とポリシーを協調最適化することで、不確実性の下での成功率が向上することを示しており、ロバストマニピュレーションのための実行可能なアプローチとして、ケージングガイド協調最適化を確立している。

要約(オリジナル)

Uncertainties in contact dynamics and object geometry remain significant barriers to robust robotic manipulation. Caging mitigates these uncertainties by constraining an object’s mobility without requiring precise contact modeling. However, existing caging research has largely treated morphology and policy optimization as separate problems, overlooking their inherent synergy. In this paper, we introduce CageCoOpt, a hierarchical framework that jointly optimizes manipulator morphology and control policy for robust manipulation. The framework employs reinforcement learning for policy optimization at the lower level and multi-task Bayesian optimization for morphology optimization at the upper level. A robustness metric in caging, Minimum Escape Energy, is incorporated into the objectives of both levels to promote caging configurations and enhance manipulation robustness. The evaluation results through four manipulation tasks demonstrate that co-optimizing morphology and policy improves success rates under uncertainties, establishing caging-guided co-optimization as a viable approach for robust manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL