Robots of the Lost Arc: Self-Supervised Learning to Dynamically Manipulate Fixed-Endpoint Cables

要約

私たちは、ロボット アームの高速動作でケーブルを動的に操作して、障害物を飛び越えたり、台座から物体を落としたり、障害物の間を縫うようにどのように操作できるかを調査します。
この論文では、UR5 ロボットがこれら 3 つのタスクを実行できるようにする自己教師あり学習フレームワークを提案します。
このフレームワークは、ロボット アームの 3D 頂点を見つけます。これは、タスク固有の軌道関数とともに、ケーブルを動的に操作してさまざまな障害物やターゲットの位置でタスクを実行する円弧運動を定義します。
軌道関数は、二次プログラムを繰り返し解くことにより、関節制限内に留まり、3D 頂点を通過するように制約された最小ジャーク動作を計算して、実行可能な最短かつ最速の動作を見つけます。
厚さと質量が異なる 5 本の物理ケーブルを実験し、人間が頂点を選択する 2 つのベースラインとパフォーマンスを比較します。
結果は、3 つのタスクにわたって頂点が固定されたベースラインがそれぞれの成功率 51.7%、36.7%、15.0% を達成し、人間が指定したタスク固有の頂点を持つベースラインが 66.7%、56.7%、15.0% を達成することを示唆しています。
学習された頂点を使用するロボットは、跳び箱で 81.7%、ノックで 65.0%、ウィービングで 60.0% の成功率を達成できます。
コード、データ、補足資料は、https://sites.google.com/berkeley.edu/dynrope/home で入手できます。

要約(オリジナル)

We explore how high-speed robot arm motions can dynamically manipulate cables to vault over obstacles, knock objects from pedestals, and weave between obstacles. In this paper, we propose a self-supervised learning framework that enables a UR5 robot to perform these three tasks. The framework finds a 3D apex point for the robot arm, which, together with a task-specific trajectory function, defines an arcing motion that dynamically manipulates the cable to perform tasks with varying obstacle and target locations. The trajectory function computes minimum-jerk motions that are constrained to remain within joint limits and to travel through the 3D apex point by repeatedly solving quadratic programs to find the shortest and fastest feasible motion. We experiment with 5 physical cables with different thickness and mass and compare performance against two baselines in which a human chooses the apex point. Results suggest that a baseline with a fixed apex across the three tasks achieves respective success rates of 51.7%, 36.7%, and 15.0%, and a baseline with human-specified, task-specific apex points achieves 66.7%, 56.7%, and 15.0% success rate respectively, while the robot using the learned apex point can achieve success rates of 81.7% in vaulting, 65.0% in knocking, and 60.0% in weaving. Code, data, and supplementary materials are available at https: //sites.google.com/berkeley.edu/dynrope/home.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google