要約
ロボットが安全規則で組み立てタイプのタスクを達成できるようにする強化学習 (RL) ベースの方法が提案されています。
全体的な戦略は、把握と組み立てで構成され、この論文では主に組み立て戦略を検討します。
この論文では、視覚的なフィードバックの代わりにフォース フィードバックを使用して、穴の形状と方向を認識しています。
さらに、さまざまなセンサーに基づく複数のモデルが、現実世界の環境摂動や機器の故障 (カメラやその他のセンサーの故障) によるさまざまな環境に合わせてトレーニングされます。
次に、ロボットによって出力される力が大きすぎると非常停止がトリガーされるため、力ベースの動的安全ロック (DSL) を提案して、ロボットの押す力を制限します。
最後に、シミュレーターを使用してロボットモデルをトレーニングおよびテストし、アブレーション実験を構築して、この方法の有効性を示します。
モデルはシミュレーターで 500 回個別にテストされ、4mm のギャップで 58.91% の成功率が得られました。
これらのモデルは現実世界に転送され、実際のロボットに展開されます。
シミュレーション環境: https://github.com/0707yiliu/peg-in-hole-with-RL.
要約(オリジナル)
A reinforcement learning (RL) based method that enables the robot to accomplish the assembly-type task with safety regulations is proposed. The overall strategy consists of grasping and assembly, and this paper mainly considers the assembly strategy. Force feedback is used instead of visual feedback to perceive the shape and direction of the hole in this paper. Furthermore, multiple models based on different sensors are trained for different environments due to environmental perturbations and equipment failures (failures of cameras and other sensors) in the real world. Then, since the emergency stop is triggered when the force output by the robot is too large, a force-based dynamic safety lock (DSL) is proposed to limit the pressing force of the robot. Finally, we train and test the robot model with a simulator and build ablation experiments to illustrate the effectiveness of our method. The models are independently tested 500 times in the simulator, giving a 58.91% success rate with a 4mm gap. These models are transferred to the real world and deployed on a real robot. Simulation environments: https://github.com/0707yiliu/peg-in-hole-with-RL.
arxiv情報
| 著者 | Yi Liu |
| 発行日 | 2023-02-21 17:49:38+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google