Learning Score-based Grasping Primitive for Human-assisting Dexterous Grasping

要約

人間の手が利用できない、または不適切な状況で個人を支援するために擬人化されたロボットハンドを使用することは、非常に重要になってきています。
この論文では、ユーザーが物体を掴むのを支援するためにロボットハンドの指を制御するためのポリシーを訓練することを目的とした、人間支援の器用な掴みと呼ばれる新しいタスクを提案します。
従来の器用な把握とは異なり、このタスクでは、オブジェクトの形状に加えて、さまざまなユーザーの意図にポリシーを適応させる必要があるため、より複雑な課題が生じます。
我々は、Grasping Gradient Field~(GraspGF) と呼ばれるハンドオブジェクト条件付き把握プリミティブと、履歴条件付き残差ポリシーという 2 つのサブモジュールで構成されるアプローチを提案することで、この課題に対処します。
GraspGF は、成功した把持例セットから勾配を推定することで「どのように」把持するかを学習します。一方、残差ポリシーは、軌道履歴に基づいて把持アクションを「いつ」どのような速度で実行するかを決定します。
実験結果はベースラインと比較して提案手法の優位性を実証し、現実世界のアプリケーションにおけるユーザーの認識と実用性を強調しています。
コードとデモは「https://sites.google.com/view/graspgf」でご覧いただけます。

要約(オリジナル)

The use of anthropomorphic robotic hands for assisting individuals in situations where human hands may be unavailable or unsuitable has gained significant importance. In this paper, we propose a novel task called human-assisting dexterous grasping that aims to train a policy for controlling a robotic hand’s fingers to assist users in grasping objects. Unlike conventional dexterous grasping, this task presents a more complex challenge as the policy needs to adapt to diverse user intentions, in addition to the object’s geometry. We address this challenge by proposing an approach consisting of two sub-modules: a hand-object-conditional grasping primitive called Grasping Gradient Field~(GraspGF), and a history-conditional residual policy. GraspGF learns `how’ to grasp by estimating the gradient from a success grasping example set, while the residual policy determines `when’ and at what speed the grasping action should be executed based on the trajectory history. Experimental results demonstrate the superiority of our proposed method compared to baselines, highlighting the user-awareness and practicality in real-world applications. The codes and demonstrations can be viewed at ‘https://sites.google.com/view/graspgf’.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google