Bi-ACT: Bilateral Control-Based Imitation Learning via Action Chunking with Transformer

要約

ロボットアームの自律操作は、ロボット工学における複雑かつ進化する研究分野です。
この論文では、ロボット工学と機械学習の分野における 2 つの革新的なアプローチが交差するワークスタンドを提案します。
関節の位置と画像データを使用して将来の動きを予測する、Action Chunking with Transformer (ACT) モデルに触発された私たちの研究は、双方向制御ベースの模倣学習の原理を統合して、ロボット制御を強化します。
私たちの目的は、これらの技術を相乗させて、より堅牢で効率的な制御メカニズムを作成することです。
私たちのアプローチでは、環境から収集されるデータは、グリッパーと頭上のカメラからの画像、およびバイラテラル制御を使用する追従ロボットの関節角度、角速度、力です。
このモデルは、リーダー ロボットの関節角度、角速度、力の次のステップを予測するように設計されています。
この予測機能は、追従ロボットに効果的な双方向制御を実装し、より微妙で応答性の高い操縦を可能にするために非常に重要です。

要約(オリジナル)

Autonomous manipulation in robot arms is a complex and evolving field of study in robotics. This paper proposes work stands at the intersection of two innovative approaches in the field of robotics and machine learning. Inspired by the Action Chunking with Transformer (ACT) model, which employs joint location and image data to predict future movements, our work integrates principles of Bilateral Control-Based Imitation Learning to enhance robotic control. Our objective is to synergize these techniques, thereby creating a more robust and efficient control mechanism. In our approach, the data collected from the environment are images from the gripper and overhead cameras, along with the joint angles, angular velocities, and forces of the follower robot using bilateral control. The model is designed to predict the subsequent steps for the joint angles, angular velocities, and forces of the leader robot. This predictive capability is crucial for implementing effective bilateral control in the follower robot, allowing for more nuanced and responsive maneuvering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google