KineSoft: Learning Proprioceptive Manipulation Policies with Soft Robot Hands

要約

不足しているソフトロボットハンドは、固有の安全性と適応性の利点を厳格なシステムに比べて優れていますが、器用な操作スキルの開発は依然として困難です。
模倣学習は複雑な操作タスクの可能性を示していますが、従来のアプローチは、デモの収集の課題と効果のない状態表現のためにソフトシステムと闘っています。
Kinesoftは、コントロールの課題としてではなく、スキル教育の優位性として自然なコンプライアンスを活用することにより、ソフトロボットハンドの直接的な運動感覚教育を可能にするフレームワークです。
Kinesoftは2つの重要な貢献をしています。（1）閉塞のない固有受容形状推定を提供する内部ひずみセンシングアレイ、および（2）低レベルの形状条件付きコントローラーで拡散ベースのポリシーに固有受容フィードバックを使用する形状ベースの模倣学習フレームワーク。
これにより、人間のデモ参加者はロボットを物理的に導くことができ、システムは固有受容パターンを成功した操作戦略と関連付けることを学びます。
物理的実験を通じてKinesoftを検証し、ベースライン方法、正確な形状追跡、およびベースライン模倣学習アプローチと比較してより高いタスク成功率と比較して優れた形状推定精度を示します。

要約(オリジナル)

Underactuated soft robot hands offer inherent safety and adaptability advantages over rigid systems, but developing dexterous manipulation skills remains challenging. While imitation learning shows promise for complex manipulation tasks, traditional approaches struggle with soft systems due to demonstration collection challenges and ineffective state representations. We present KineSoft, a framework enabling direct kinesthetic teaching of soft robotic hands by leveraging their natural compliance as a skill teaching advantage rather than only as a control challenge. KineSoft makes two key contributions: (1) an internal strain sensing array providing occlusion-free proprioceptive shape estimation, and (2) a shape-based imitation learning framework that uses proprioceptive feedback with a low-level shape-conditioned controller to ground diffusion-based policies. This enables human demonstrators to physically guide the robot while the system learns to associate proprioceptive patterns with successful manipulation strategies. We validate KineSoft through physical experiments, demonstrating superior shape estimation accuracy compared to baseline methods, precise shape-trajectory tracking, and higher task success rates compared to baseline imitation learning approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google