A Combined Learning and Optimization Framework to Transfer Human Whole-body Loco-manipulation Skills to Mobile Manipulators

要約

移動と操作をスムーズに切り替える人間の能力は、感覚運動調整の顕著な特徴です。
このような人間に似た戦略を学習し複製することで、現実世界の環境で複雑な全身作業を実行できる、より洗練されたロボットの開発につながる可能性があります。
この目的を達成するために、この論文では、人間の移動操作のソフトスイッチングスキルをモバイルマニピュレーターに伝達するための、学習と最適化を組み合わせたフレームワークを提案します。
この方法論は、視覚システムを介した移動統合操作タスクに対する人間のデモンストレーションのデータ収集から出発しています。
次に、手首と骨盤の動きがモバイル マニピュレータのエンドエフェクタ (EE) とモバイル ベースにマッピングされます。
カーネル化された動きの原始アルゴリズムが手首と骨盤の軌道を学習し、タスクの要件に応じて新しい望ましいポイントに一般化します。
次に、基準軌道が階層型二次計画法コントローラーに送信され、そこで EE とモバイル ベースの基準軌道が 1 番目と 2 番目の優先タスクとして提供され、実行可能で最適な関節レベルのコマンドが生成されます。
提案されたアプローチを検証するために、移動に統合されたピック アンド プレイス タスクが実行されます。
人間がタスクを実演した後、モバイル マニピュレータが同じ設定と新しい設定でタスクを実行し、ゼロ以外の速度でボトルを掴みます。
結果は、提案されたアプローチが、形状が異なる場合でも、人間の移動操作スキルをモバイルマニピュレーターにうまく伝達できることを示しました。

要約(オリジナル)

Humans’ ability to smoothly switch between locomotion and manipulation is a remarkable feature of sensorimotor coordination. Leaning and replication of such human-like strategies can lead to the development of more sophisticated robots capable of performing complex whole-body tasks in real-world environments. To this end, this paper proposes a combined learning and optimization framework for transferring human’s loco-manipulation soft-switching skills to mobile manipulators. The methodology departs from data collection of human demonstrations for a locomotion-integrated manipulation task through a vision system. Next, the wrist and pelvis motions are mapped to mobile manipulators’ End-Effector (EE) and mobile base. A kernelized movement primitive algorithm learns the wrist and pelvis trajectories and generalizes to new desired points according to task requirements. Next, the reference trajectories are sent to a hierarchical quadratic programming controller, where the EE and the mobile base reference trajectories are provided as the first and second priority tasks, generating the feasible and optimal joint level commands. A locomotion-integrated pick-and-place task is executed to validate the proposed approach. After a human demonstrates the task, a mobile manipulator executes the task with the same and new settings, grasping a bottle at non-zero velocity. The results showed that the proposed approach successfully transfers the human loco-manipulation skills to mobile manipulators, even with different geometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google