Autonomous Robotic Arm Manipulation for Planetary Missions using Causal Machine Learning

要約

自律型ロボットアームマニピュレータは、マニピュレータ自身が対象物を扱い、目的に応じた動作を行うことができるため、惑星探査やその場での資源利用ミッションの時間効率と生産性を向上させる可能性がある。我々は、マニピュレータが惑星の岩石のような予備知識を持たない物体を自律的に研究するように訓練する。これは、シミュレートされた惑星環境における因果的機械学習を用いて達成される。ここでは、マニピュレータは物体と相互作用し、異なる因果的要因に基づいてそれらを分類する。これは、質量や摩擦係数など、相互作用の結果を因果的に決定するパラメータである。強化学習により、マニピュレータは、根本的な因果因子を明らかにするような相互作用を学習する。この方法は、対象物に関する予備知識や、以前に収集した学習データがなくても機能することを示す。現実的なマニピュレータモデルを用いて、惑星探査の条件下で学習を行う。

要約(オリジナル)

Autonomous robotic arm manipulators have the potential to make planetary exploration and in-situ resource utilization missions more time efficient and productive, as the manipulator can handle the objects itself and perform goal-specific actions. We train a manipulator to autonomously study objects of which it has no prior knowledge, such as planetary rocks. This is achieved using causal machine learning in a simulated planetary environment. Here, the manipulator interacts with objects, and classifies them based on differing causal factors. These are parameters, such as mass or friction coefficient, that causally determine the outcomes of its interactions. Through reinforcement learning, the manipulator learns to interact in ways that reveal the underlying causal factors. We show that this method works even without any prior knowledge of the objects, or any previously-collected training data. We carry out the training in planetary exploration conditions, with realistic manipulator models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL