Learning active tactile perception through belief-space control

要約

オープンワールドで動作するロボットは、質量、摩擦、大きさなどの物理的特性が未知の新しい物体に遭遇する。このようなロボットは、物体を用いて下流のタスクを実行する前に、インタラクションを通じてこれらの特性を感知する必要がある。我々は、1）微分可能なベイズフィルタリングアルゴリズムを用いて物体の物理パラメータを推定し、2）情報収集モデル予測制御器を用いて探索方針を開発するために活用される生成的世界モデルを開発することによって、触覚探索方針を自律的に学習する手法を提案する。我々は、物理的インタラクションを通じて所望の物体特性（質量、高さ、転倒高さ）を推定することを目的とした3つの模擬タスクで本手法を評価する。その結果、本手法は、直感的な方法で、所望の特性に関する情報を効率的に収集する方針を発見できることがわかった。最後に、高さ推定タスクについて、実際のロボットシステムで本手法を検証したところ、本手法はゼロから情報収集ポリシーを学習し、実行することに成功した。

要約(オリジナル)

Robots operating in an open world will encounter novel objects with unknown physical properties, such as mass, friction, or size. These robots will need to sense these properties through interaction prior to performing downstream tasks with the objects. We propose a method that autonomously learns tactile exploration policies by developing a generative world model that is leveraged to 1) estimate the object’s physical parameters using a differentiable Bayesian filtering algorithm and 2) develop an exploration policy using an information-gathering model predictive controller. We evaluate our method on three simulated tasks where the goal is to estimate a desired object property (mass, height or toppling height) through physical interaction. We find that our method is able to discover policies that efficiently gather information about the desired property in an intuitive manner. Finally, we validate our method on a real robot system for the height estimation task, where our method is able to successfully learn and execute an information-gathering policy from scratch.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL