Learning to Shape by Grinding: Cutting-surface-aware Model-based Reinforcement Learning

要約

研削による物体成形は、回転する研削ベルトによって材料を除去する重要な産業プロセスである。ロボットによる自動化を実現するためには、物体形状遷移モデルが不可欠であるが、プロセス条件に依存するこのような複雑なモデルの学習は、大量のデータを必要とするため困難であり、また除去プロセスの不可逆的な性質がデータ収集を高価にする。本稿では、ロボット研削のための切断面を考慮したモデルベース強化学習（MBRL）手法を提案する。本手法は、ロボットの動作が工具によって作られる切削面を特定できるという仮定に基づき、物体の形状遷移モデルとして切削面認識モデルを採用し、幾何学的切削モデルと切削面偏差モデルから構成される。さらに、研削抵抗理論によれば、切削面-偏差モデルは生の形状情報を必要としないため、形状を直接マッピングする素朴な形状遷移モデルよりもモデルの寸法が小さく、学習が容易である。シミュレーションと実ロボット実験による評価・比較により、本MBRL手法が研削による物体形状の学習において高いデータ効率を達成し、学習データと異なる初期形状や目標形状に対しても汎化能力を発揮することを確認した。

要約(オリジナル)

Object shaping by grinding is a crucial industrial process in which a rotating grinding belt removes material. Object-shape transition models are essential to achieving automation by robots; however, learning such a complex model that depends on process conditions is challenging because it requires a significant amount of data, and the irreversible nature of the removal process makes data collection expensive. This paper proposes a cutting-surface-aware Model-Based Reinforcement Learning (MBRL) method for robotic grinding. Our method employs a cutting-surface-aware model as the object’s shape transition model, which in turn is composed of a geometric cutting model and a cutting-surface-deviation model, based on the assumption that the robot action can specify the cutting surface made by the tool. Furthermore, according to the grinding resistance theory, the cutting-surface-deviation model does not require raw shape information, making the model’s dimensions smaller and easier to learn than a naive shape transition model directly mapping the shapes. Through evaluation and comparison by simulation and real robot experiments, we confirm that our MBRL method can achieve high data efficiency for learning object shaping by grinding and also provide generalization capability for initial and target shapes that differ from the training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL