Towards Forceful Robotic Foundation Models: a Literature Survey

要約

この記事では、ロボット操作政策学習において、固有受容と触覚センシングの両方を含む力を統合するための現代の方法をレビューします。
センシング力、データ収集、動作クローニング、触覚表現学習、および低レベルのロボット制御のためのさまざまなアプローチに関する比較分析を実施します。
私たちの分析から、私たちはいつ、なぜ必要なのかを明確にし、非常に有能なタッチベースのロボット基礎モデルへのパスに関する接触豊富なジェネラリストロボットポリシーの学習を改善する機会を強調しています。
一般的に、注ぎ、穴の挿入、繊細なオブジェクトの処理などのタスクはほとんどありませんが、模倣学習モデルのパフォーマンスは、力が本当に重要なダイナミクスのレベルではないことがわかります。
また、力とタッチは、広範囲のモダリティを通じて推測できる抽象的な量であり、しばしば暗黙的に測定および制御されることがよくあります。
現在使用されているさまざまなアプローチを並置することで、読者が体系的な理解を得て、次世代のロボット財団モデルを刺激するのに役立つことを願っています。

要約(オリジナル)

This article reviews contemporary methods for integrating force, including both proprioception and tactile sensing, in robot manipulation policy learning. We conduct a comparative analysis on various approaches for sensing force, data collection, behavior cloning, tactile representation learning, and low-level robot control. From our analysis, we articulate when and why forces are needed, and highlight opportunities to improve learning of contact-rich, generalist robot policies on the path toward highly capable touch-based robot foundation models. We generally find that while there are few tasks such as pouring, peg-in-hole insertion, and handling delicate objects, the performance of imitation learning models is not at a level of dynamics where force truly matters. Also, force and touch are abstract quantities that can be inferred through a wide range of modalities and are often measured and controlled implicitly. We hope that juxtaposing the different approaches currently in use will help the reader to gain a systemic understanding and help inspire the next generation of robot foundation models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google