Tactile-based Reinforcement Learning for Adaptive Grasping under Observation Uncertainties

要約

構造などの産業シナリオでのロボット操作は、一般に、オクルージョンや部分観測可能性のために操作オブジェクトの状態が正確にキャプチャされない可能性がある不確実な観察に直面しています。
たとえば、パイプアセンブリ中のオブジェクトステータスの推定、鉄筋の設置、および電気設備は、観測エラーによって影響を受ける可能性があります。
従来のビジョンベースの把握方法は、しばしば堅牢な安定性と適応性を確保するのに苦労しています。
この課題に対処するために、このペーパーでは、触覚ベースの適応把握方法を把握するための堅牢性を高めることができる触覚シミュレーターを提案します。
このアプローチは、近位政策最適化（PPO）強化学習アルゴリズムと組み合わせた触覚フィードバックを活用して、把握姿勢を動的に調整し、不正確なオブジェクト状態の推定でさまざまな把握条件に適応を可能にします。
シミュレーションの結果は、提案された方法が姿勢を把握することを効果的に適応させ、それによってタスクを把握することの成功率と安定性を改善することを示しています。

要約(オリジナル)

Robotic manipulation in industrial scenarios such as construction commonly faces uncertain observations in which the state of the manipulating object may not be accurately captured due to occlusions and partial observables. For example, object status estimation during pipe assembly, rebar installation, and electrical installation can be impacted by observation errors. Traditional vision-based grasping methods often struggle to ensure robust stability and adaptability. To address this challenge, this paper proposes a tactile simulator that enables a tactile-based adaptive grasping method to enhance grasping robustness. This approach leverages tactile feedback combined with the Proximal Policy Optimization (PPO) reinforcement learning algorithm to dynamically adjust the grasping posture, allowing adaptation to varying grasping conditions under inaccurate object state estimations. Simulation results demonstrate that the proposed method effectively adapts grasping postures, thereby improving the success rate and stability of grasping tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google