Robotic Paper Wrapping by Learning Force Control

要約

ラッピングペーパーを使用したロボットパッケージは、材料の複雑な変形特性のために大きな課題をもたらします。
パッケージングプロセス自体には、主に紙の折りたたみや折り目の作成として分類される複数のステップが含まれます。
ロボットの腕の軌跡または力ベクトルの小さな逸脱は、材料特性の変動によって悪化する紙の引き裂きやしわにつながる可能性があります。
この研究では、模倣学習と強化学習を組み合わせて、ロボットがパッケージングプロセスの各ステップを効率的に実行できるようにする新しいフレームワークを紹介します。
このフレームワークにより、ロボットは、人間のデモンストレーションに基づいて、ツールセンターポイント（TCP）の近似軌跡をたどりながら、力制御パラメーターを最適化して、包装紙の材料が可変的であっても、引き裂きやしわを防ぐことができます。
提案された方法は、アブレーション研究を通じて検証され、涙としわの速度が大幅に減少し、タスクの完了が成功したことが示されました。
さらに、力制御戦略は、さまざまなラッピングペーパー材料にわたって適応可能であり、ターゲットオブジェクトのサイズのバリエーションに対して堅牢であることが証明されました。

要約(オリジナル)

Robotic packaging using wrapping paper poses significant challenges due to the material’s complex deformation properties. The packaging process itself involves multiple steps, primarily categorized as folding the paper or creating creases. Small deviations in the robot’s arm trajectory or force vector can lead to tearing or wrinkling of the paper, exacerbated by the variability in material properties. This study introduces a novel framework that combines imitation learning and reinforcement learning to enable a robot to perform each step of the packaging process efficiently. The framework allows the robot to follow approximate trajectories of the tool-center point (TCP) based on human demonstrations while optimizing force control parameters to prevent tearing or wrinkling, even with variable wrapping paper materials. The proposed method was validated through ablation studies, which demonstrated successful task completion with a significant reduction in tear and wrinkle rates. Furthermore, the force control strategy proved to be adaptable across different wrapping paper materials and robust against variations in the size of the target object.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google