Learning Cross-hand Policies for High-DOF Reaching and Grasping

要約

リーチングと把持はロボット操作の基本的なスキルであるが、既存の手法は通常、特定のグリッパーでモデルを学習し、別のグリッパーで再利用することはできない。本論文では、異なる器用なグリッパーに容易に移行できる統一的な政策モデルを学習できる新しい手法を提案する。すなわち、グリッパー上のあらかじめ定義されたキーポイントの変位を予測するグリッパーに依存しない政策モデルと、これらの変位をグリッパーの関節を制御するための調整に変換するグリッパー固有の適応モデルである。グリッパーの状態と物体との相互作用は、ロバストな幾何学的表現を使用して指レベルでキャプチャされ、グリッパーの形態と形状のバリエーションに対応するために変換器ベースのネットワークと統合される。実験では、複数の器用なグリッパーと多様なオブジェクトに対して本手法を評価し、その結果、本手法がベースライン手法を大幅に上回ることを示す。器用なグリッパー間での把持ポリシーの伝達の先駆者である本手法は、様々なロボットハンドの汎用的で伝達可能な操作スキルの学習の可能性を効果的に示している。

要約(オリジナル)

Reaching-and-grasping is a fundamental skill for robotic manipulation, but existing methods usually train models on a specific gripper and cannot be reused on another gripper. In this paper, we propose a novel method that can learn a unified policy model that can be easily transferred to different dexterous grippers. Our method consists of two stages: a gripper-agnostic policy model that predicts the displacements of pre-defined key points on the gripper, and a gripper-specific adaptation model that translates these displacements into adjustments for controlling the grippers’ joints. The gripper state and interactions with objects are captured at the finger level using robust geometric representations, integrated with a transformer-based network to address variations in gripper morphology and geometry. In the experiments, we evaluate our method on several dexterous grippers and diverse objects, and the result shows that our method significantly outperforms the baseline methods. Pioneering the transfer of grasp policies across dexterous grippers, our method effectively demonstrates its potential for learning generalizable and transferable manipulation skills for various robotic hands.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL