Whole-body End-Effector Pose Tracking

要約

操作と足のロボットの移動性を組み合わせることは、幅広いロボットアプリケーションに不可欠です。
ただし、アームをモバイルベースと統合すると、システムの複雑さが大幅に向上し、正確なエンドエフェクター制御が困難になります。
既存のモデルベースのアプローチは、多くの場合、モデリングの仮定によって制約され、堅牢性が限られています。
一方、最近の強化学習（RL）の実装により、アームのワークスペースはロボットの前にあるか、適切な追跡精度を得るための位置のみを追跡することを制限します。
この作業では、これらの制限に対処し、大まかな非構造化された地形の大きなワークスペースでエンドエフェクターポーズ追跡のために全身RL定式化を導入します。
提案された方法には、ロボットの初期構成とエンドエフェクターポーズコマンドのための地形認識サンプリング戦略と、ロボットの動作範囲を拡張するためのゲームベースのカリキュラムが含まれます。
6つのDOFロボットアームを使用して、Ansymal Quadrupedal Robotでのアプローチを検証します。
実験を通じて、学習したコントローラーが大きなワークスペースで正確なコマンド追跡を実現し、階段や斜面などのさまざまな地形に適応することを示します。
展開時には、2.64 cmと3.64度のポーズ追跡エラーが実現し、既存の競合ベースラインよりも優れています。

要約(オリジナル)

Combining manipulation with the mobility of legged robots is essential for a wide range of robotic applications. However, integrating an arm with a mobile base significantly increases the system’s complexity, making precise end-effector control challenging. Existing model-based approaches are often constrained by their modeling assumptions, leading to limited robustness. Meanwhile, recent Reinforcement Learning (RL) implementations restrict the arm’s workspace to be in front of the robot or track only the position to obtain decent tracking accuracy. In this work, we address these limitations by introducing a whole-body RL formulation for end-effector pose tracking in a large workspace on rough, unstructured terrains. Our proposed method involves a terrain-aware sampling strategy for the robot’s initial configuration and end-effector pose commands, as well as a game-based curriculum to extend the robot’s operating range. We validate our approach on the ANYmal quadrupedal robot with a six DoF robotic arm. Through our experiments, we show that the learned controller achieves precise command tracking over a large workspace and adapts across varying terrains such as stairs and slopes. On deployment, it achieves a pose-tracking error of 2.64 cm and 3.64 degrees, outperforming existing competitive baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google