Disambiguate Gripper State in Grasp-Based Tasks: Pseudo-Tactile as Feedback Enables Pure Simulation Learning

要約

把握ベースの操作タスクは、環境と相互作用するロボットの基本ですが、グリッパー状態のあいまいさは、これらのタスクの模倣学習ポリシーの堅牢性を大幅に低下させます。
データ駆動型ソリューションは、現実世界の高いデータコストの課題に直面していますが、シミュレーションデータは、低コストにもかかわらず、SIMからリアルのギャップによって制限されています。
グリッパー状態のあいまいさの根本原因を触覚フィードバックの欠如として特定します。
これに対処するために、触覚センサーとしてフォース制御グリッパーを使用するというアイデアに触発された、フィードバックとして擬似タクタイルを使用する新しいアプローチを提案します。
この方法は、追加のデータ収集とハードウェアの関与なしにポリシーの堅牢性を高め、ポリシーのノイズフリーのバイナリグリッパー状態観測を提供し、シミュレーションの力を解き放つために純粋なシミュレーション学習を促進します。
3つの実際の把握ベースのタスクにわたる実験結果は、アプローチの必要性、有効性、効率性を示しています。

要約(オリジナル)

Grasp-based manipulation tasks are fundamental to robots interacting with their environments, yet gripper state ambiguity significantly reduces the robustness of imitation learning policies for these tasks. Data-driven solutions face the challenge of high real-world data costs, while simulation data, despite its low costs, is limited by the sim-to-real gap. We identify the root cause of gripper state ambiguity as the lack of tactile feedback. To address this, we propose a novel approach employing pseudo-tactile as feedback, inspired by the idea of using a force-controlled gripper as a tactile sensor. This method enhances policy robustness without additional data collection and hardware involvement, while providing a noise-free binary gripper state observation for the policy and thus facilitating pure simulation learning to unleash the power of simulation. Experimental results across three real-world grasp-based tasks demonstrate the necessity, effectiveness, and efficiency of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google