Deep Learning of Force Manifolds from the Simulated Physics of Robotic Paper Folding

要約

細長い物体のロボット操作は、特に誘発される変形が大きく非線形である場合には困難です。
従来、変形可能な材料の操作には、模倣学習などの学習ベースの制御アプローチが使用されてきました。
これらのアプローチは汎用性に欠けており、材料、幾何学、および/または環境（摩擦など）特性の単純な切り替えによって重大な失敗に見舞われることがよくあります。
この記事では、基本的だが難しい変形可能な操作タスク、つまり単一のマニピュレータだけを使用して紙に事前に定義された折り目を形成するタスクに取り組みます。
物理的に正確なシミュレーションと機械学習を組み合わせたデータ駆動型フレームワークを使用して、把握位置が与えられた操作された紙に誘発される外力を予測できるディープ ニューラル ネットワークをトレーニングします。
スケーリング解析を使用して問題を組み立て、その結果、材料および幾何学的変化に対して堅牢な制御フレームワークが得られます。
次に、生成された「神経力多様体」上で経路計画が実行され、滑りを防ぐために最適化されたロボット操作軌道が生成されます。オフライン軌道生成は、以前の物理ベースの折り手法よりも 15$\倍$ 早く終了します。
トレーニングされたモデルの推論速度により、リアルタイムの視覚フィードバックを組み込んで閉ループ感覚運動制御を実現できます。
実際の実験では、さまざまな素材や形状の紙オブジェクトを操作する場合でも、私たちのフレームワークが最先端の折り戦略と比較してロボットの操作パフォーマンスを大幅に向上できることが実証されています。

要約(オリジナル)

Robotic manipulation of slender objects is challenging, especially when the induced deformations are large and nonlinear. Traditionally, learning-based control approaches, such as imitation learning, have been used to address deformable material manipulation. These approaches lack generality and often suffer critical failure from a simple switch of material, geometric, and/or environmental (e.g., friction) properties. This article tackles a fundamental but difficult deformable manipulation task: forming a predefined fold in paper with only a single manipulator. A data-driven framework combining physically-accurate simulation and machine learning is used to train a deep neural network capable of predicting the external forces induced on the manipulated paper given a grasp position. We frame the problem using scaling analysis, resulting in a control framework robust against material and geometric changes. Path planning is then carried out over the generated ‘neural force manifold’ to produce robot manipulation trajectories optimized to prevent sliding, with offline trajectory generation finishing 15$\times$ faster than previous physics-based folding methods. The inference speed of the trained model enables the incorporation of real-time visual feedback to achieve closed-loop sensorimotor control. Real-world experiments demonstrate that our framework can greatly improve robotic manipulation performance compared to state-of-the-art folding strategies, even when manipulating paper objects of various materials and shapes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google