RoboHanger: Learning Generalizable Robotic Hanger Insertion for Diverse Garments

要約

衣服を掛ける作業において、ハンガーを衣服に挿入する方法を学習することは重要なステップであるが、ロボット工学ではほとんど研究されていない。本研究では、テーブルの上に平らに置かれた様々な未見の衣服にハンガーを挿入する問題を扱う。このタスクは、長ホライズンであること、衣服の自由度が高いこと、データが不足していることから困難である。学習プロセスを単純化するために、我々はまずタスクをいくつかのサブタスクに分割することを提案する。そして、各サブタスクを政策学習問題として定式化し、低次元の行動パラメータ化を提案する。限られたデータという課題を克服するために、我々は独自のシミュレータを構築し、144の合成衣服アセットを作成し、高品質な学習データを効果的に収集する。我々のアプローチでは、入力としてシングルビューの深度画像とオブジェクトマスクを用いることで、Sim2Realの外観ギャップを緩和し、新しい衣服に対する高い汎化能力を実現する。シミュレーションと実世界の両方における広範な実験により、我々の提案手法が検証された。シミュレータの様々な衣服で学習することにより、我々の手法は実世界の8つの異なる未見の衣服で75％の成功率を達成した。

要約(オリジナル)

For the task of hanging clothes, learning how to insert a hanger into a garment is a crucial step, but has rarely been explored in robotics. In this work, we address the problem of inserting a hanger into various unseen garments that are initially laid flat on a table. This task is challenging due to its long-horizon nature, the high degrees of freedom of the garments and the lack of data. To simplify the learning process, we first propose breaking the task into several subtasks. Then, we formulate each subtask as a policy learning problem and propose a low-dimensional action parameterization. To overcome the challenge of limited data, we build our own simulator and create 144 synthetic clothing assets to effectively collect high-quality training data. Our approach uses single-view depth images and object masks as input, which mitigates the Sim2Real appearance gap and achieves high generalization capabilities for new garments. Extensive experiments in both simulation and the real world validate our proposed method. By training on various garments in the simulator, our method achieves a 75\% success rate with 8 different unseen garments in the real world.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL