E2R: a Hierarchical-Learning inspired Novelty-Search method to generate diverse repertoires of grasping trajectories

要約

ロボットによる把握とは、ロボット システムに物体の表面に力とトルクを加えて物体をピックさせるタスクを指します。
データ駆動型アプローチの最近の進歩にもかかわらず、把握は未解決の問題のままです。
このタスクに関する作業のほとんどは、探索問題を回避するために事前分布と重い制約に依存しています。
Novelty Search (NS) は、最もパフォーマンスの高い個人の選択を最も新規性の高い個人の選択に置き換える進化的アルゴリズムを指します。
このような方法は、困難な探索問題に対してすでに有望な結果を示しています。
この研究では、プラットフォームに依存しない方法で把握軌道の大規模なデータセットを生成できる新しい NS ベースの方法を紹介します。
階層学習パラダイムにヒントを得た私たちの手法は、アプローチと理解を切り離して行動空間をよりスムーズにします。
3 つの異なるロボットグリッパー設定といくつかの標準物体で行われた実験では、私たちの方法が、把握軌道の多様なレパートリーを生成し、より高い成功率を獲得し、両方のアプローチの多様性を高める点で最先端の方法を上回っていることが示されています。
そして把握力。
生成されたソリューションの一部は実際のロボットへの展開に成功し、得られたレパートリーの活用可能性を示しています。

要約(オリジナル)

Robotics grasping refers to the task of making a robotic system pick an object by applying forces and torques on its surface. Despite the recent advances in data-driven approaches, grasping remains an unsolved problem. Most of the works on this task are relying on priors and heavy constraints to avoid the exploration problem. Novelty Search (NS) refers to evolutionary algorithms that replace selection of best performing individuals with selection of the most novel ones. Such methods have already shown promising results on hard exploration problems. In this work, we introduce a new NS-based method that can generate large datasets of grasping trajectories in a platform-agnostic manner. Inspired by the hierarchical learning paradigm, our method decouples approach and prehension to make the behavioral space smoother. Experiments conducted on 3 different robot-gripper setups and on several standard objects shows that our method outperforms state-of-the-art for generating diverse repertoire of grasping trajectories, getting a higher successful run ratio, as well as a better diversity for both approach and prehension. Some of the generated solutions have been successfully deployed on a real robot, showing the exploitability of the obtained repertoires.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google