Sim-to-Real Learning for Humanoid Box Loco-Manipulation

要約

この研究では、人型ロボットのボックス移動操作に対する学習ベースのアプローチを提案します。
これは、バランスを保ちながら重さ、位置、向きが異なる箱を持ち上げるために全身の調整が必要なため、特に困難な問題です。
この課題に対処するために、二足歩行ロボット Digit の一般的な箱のピックアップと運搬スキルをトレーニングするための、シミュレーションからリアルへの強化学習アプローチを紹介します。
私たちの報酬関数は、バランスと歩行の質も重視しながら、ボックスとの望ましいインタラクションを生み出すように設計されています。
私たちは、学習したスキルをボックス移動操作用の完全なシステムに組み合わせて、さまざまなサイズ、重量、初期構成のボックスをあるテーブルから別のテーブルに移動するタスクを実行します。
定量的なシミュレーション結果に加えて、ヒューマノイド r 上でのシミュレーションからリアルへの変換の成功を実証します。

要約(オリジナル)

In this work we propose a learning-based approach to box loco-manipulation for a humanoid robot. This is a particularly challenging problem due to the need for whole-body coordination in order to lift boxes of varying weight, position, and orientation while maintaining balance. To address this challenge, we present a sim-to-real reinforcement learning approach for training general box pickup and carrying skills for the bipedal robot Digit. Our reward functions are designed to produce the desired interactions with the box while also valuing balance and gait quality. We combine the learned skills into a full system for box loco-manipulation to achieve the task of moving boxes from one table to another with a variety of sizes, weights, and initial configurations. In addition to quantitative simulation results, we demonstrate successful sim-to-real transfer on the humanoid r

arxiv情報

提供元, 利用サービス

arxiv.jp, Google