TIAGo RL: Simulated Reinforcement Learning Environments with Tactile Data for Mobile Robots

要約

触覚情報は、物体操作などの物理的相互作用を伴うロボットタスクで堅牢なパフォーマンスを発揮するために重要です。
ただし、推論と制御のプロセスに含まれるデータが増えると、動作のモデル化がますます困難になります。
深層強化学習 (DRL) は、ロボット工学における触覚ベースの操作を含む、さまざまな領域の複雑な動作の学習において有望な結果を生み出しました。
この研究では、TIAGo サービス ロボット用のオープンソース強化学習環境を紹介します。
これらは、TIAGo 用の実際のセンサー付きグリッパーの測定値に似た触覚センサー測定値を生成し、DRL ポリシーの転移学習の研究を促進します。
最後に、学習された力制御ポリシーの予備トレーニング結果を示し、それを古典的な PI コントローラーと比較します。

要約(オリジナル)

Tactile information is important for robust performance in robotic tasks that involve physical interaction, such as object manipulation. However, with more data included in the reasoning and control process, modeling behavior becomes increasingly difficult. Deep Reinforcement Learning (DRL) produced promising results for learning complex behavior in various domains, including tactile-based manipulation in robotics. In this work, we present our open-source reinforcement learning environments for the TIAGo service robot. They produce tactile sensor measurements that resemble those of a real sensorised gripper for TIAGo, encouraging research in transfer learning of DRL policies. Lastly, we show preliminary training results of a learned force control policy and compare it to a classical PI controller.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google