Redundancy-aware Action Spaces for Robot Learning

要約

関節空間制御とタスク空間制御は、ロボット学習文献の中でロボット アームを制御するための 2 つの主要な動作モードです。
関節空間でのアクションにより、ロボットのポーズを正確に制御できますが、トレーニングが非効率になる傾向があります。
タスク空間でのアクションはデータ効率の高いトレーニングを実現しますが、関節構成全体の制御が制限されているため、限られた空間でタスクを実行する能力が犠牲になります。
この研究では、ロボット操作のための動作空間を設計するための基準を分析し、マニピュレーターに存在する冗長性に対処することで、関節空間と作業空間の両方の利点を組み合わせることを目的とした新しい動作空間の定式化である ER (エンドエフェクター冗長性) を紹介します。
ロボットアームの過作動によるきめ細かな総合制御を実現しながら、高効率なロボット学習を実現します。
ER の 2 つの実装、ERAngle (ERA) と ERJoint (ERJ) を紹介し、特にロボット構成の正確な制御が必要な場合、ERJ が複数の設定にわたって優れたパフォーマンスを発揮することを示します。
私たちは、シミュレーション環境と実際のロボット環境の両方で結果を検証します。

要約(オリジナル)

Joint space and task space control are the two dominant action modes for controlling robot arms within the robot learning literature. Actions in joint space provide precise control over the robot’s pose, but tend to suffer from inefficient training; actions in task space boast data-efficient training but sacrifice the ability to perform tasks in confined spaces due to limited control over the full joint configuration. This work analyses the criteria for designing action spaces for robot manipulation and introduces ER (End-effector Redundancy), a novel action space formulation that, by addressing the redundancies present in the manipulator, aims to combine the advantages of both joint and task spaces, offering fine-grained comprehensive control with overactuated robot arms whilst achieving highly efficient robot learning. We present two implementations of ER, ERAngle (ERA) and ERJoint (ERJ), and we show that ERJ in particular demonstrates superior performance across multiple settings, especially when precise control over the robot configuration is required. We validate our results both in simulated and real robotic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google