Hybrid Robotic Grasping with a Soft Multimodal Gripper and a Deep Multistage Learning Scheme

要約

ロボット操作において、把持は古くから重要かつ実用的なタスクと考えられてきた。しかし、多様な物体のロバストで効率的な把持を実現することは、グリッパーの設計、知覚、制御、学習などを含むため、難しい。最近の学習ベースのアプローチは、様々な新規物体の把持において優れた性能を示している。しかし、これらの手法は、一般的に単一の把持モードに限定されるか、あるいは、様々な物体を把持するために、より多くのエンドエフェクタが必要とされるかのいずれかである。また、グリッパーの設計と学習方法は一般的に別々に開発されており、マルチモーダルグリッパーの能力を十分に引き出すことができない場合がある。本論文では、新しいソフトマルチモーダルグリッパーで多段ハイブリッドロボット把持を実現するための深層強化学習（DRL）フレームワークを紹介します。3つの把持モード（包む、吸う、包む_その後_吸う）を持つソフトグリッパーは、異なる形状の物体への対応と、複数の物体を同時に把持することの両方を可能にする。我々は、把持動作の回数を最適化するために、マルチモーダルグリッパーと統合した新しいハイブリッド把持法を提案する。異なるシナリオ（すなわち、2つの把持タイプの物体の比率が異なる場合）において、DRLフレームワークを評価する。提案アルゴリズムは、単一の把持モードと比較して、把持動作の回数を減らす（すなわち、把持効率を拡大する、シミュレーションでは最大値161％、実世界実験では154％）ことが示される。

要約(オリジナル)

Grasping has long been considered an important and practical task in robotic manipulation. Yet achieving robust and efficient grasps of diverse objects is challenging, since it involves gripper design, perception, control and learning, etc. Recent learning-based approaches have shown excellent performance in grasping a variety of novel objects. However, these methods either are typically limited to one single grasping mode, or else more end effectors are needed to grasp various objects. In addition, gripper design and learning methods are commonly developed separately, which may not adequately explore the ability of a multimodal gripper. In this paper, we present a deep reinforcement learning (DRL) framework to achieve multistage hybrid robotic grasping with a new soft multimodal gripper. A soft gripper with three grasping modes (i.e., enveloping, sucking, and enveloping_then_sucking) can both deal with objects of different shapes and grasp more than one object simultaneously. We propose a novel hybrid grasping method integrated with the multimodal gripper to optimize the number of grasping actions. We evaluate the DRL framework under different scenarios (i.e., with different ratios of objects of two grasp types). The proposed algorithm is shown to reduce the number of grasping actions (i.e., enlarge the grasping efficiency, with maximum values of 161% in simulations and 154% in real-world experiments) compared to single grasping modes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL