Visual-Based Forklift Learning System Enabling Zero-Shot Sim2Real Without Real-World Data

要約

フォークリフトはさまざまな産業環境で広く使用されており、自動化に対する需要が高くなっています。
特に、カウンターバランスフォークリフトは非常に用途が広く、多様なシナリオで採用されています。
ただし、これらのプロセスを自動化する努力は、主に安全でパフォーマンス検証可能な開発環境がないため、不足しています。
この研究では、この課題に対処するために、フォトリアリスティックなデジタル学習環境と1/14スケールのロボットフォークリフト環境を組み合わせた学習システムを提案しています。
Forkliftオペレーターが採用したトレーニングベースの学習アプローチに触発され、エンドツーエンドのビジョンベースのディープ強化学習アプローチを採用しています。
学習は、CADデータから作成されたデジタル化された環境で実施され、安全になり、実際のデータの必要性を排除します。
さらに、実際のフォークリフトと同様の構成を備えた1/14スケールのロボットフォークリフトを使用して、物理的な設定でメソッドを安全に検証します。
ロボットフォークリフトを使用した実際の実験で、パレットロードタスクで60％の成功率を達成しました。
私たちのアプローチは、ヒューリスティックな追加を必要としない簡単な方法でゼロショットSIM2REALを示しています。
この学習ベースのアプローチは、カウンターバランスフォークリフトの自動化に向けた最初のステップと考えられています。

要約(オリジナル)

Forklifts are used extensively in various industrial settings and are in high demand for automation. In particular, counterbalance forklifts are highly versatile and employed in diverse scenarios. However, efforts to automate these processes are lacking, primarily owing to the absence of a safe and performance-verifiable development environment. This study proposes a learning system that combines a photorealistic digital learning environment with a 1/14-scale robotic forklift environment to address this challenge. Inspired by the training-based learning approach adopted by forklift operators, we employ an end-to-end vision-based deep reinforcement learning approach. The learning is conducted in a digitalized environment created from CAD data, making it safe and eliminating the need for real-world data. In addition, we safely validate the method in a physical setting utilizing a 1/14-scale robotic forklift with a configuration similar to that of a real forklift. We achieved a 60% success rate in pallet loading tasks in real experiments using a robotic forklift. Our approach demonstrates zero-shot sim2real with a simple method that does not require heuristic additions. This learning-based approach is considered a first step towards the automation of counterbalance forklifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google