AutomaChef: A Physics-informed Demonstration-guided Learning Framework for Granular Material Manipulation

要約

粒状材料の物理的特性は複雑であるため、そのような材料を操作するためのロボット学習の研究では、主にその物理的特性の考慮が無視されるか、代替モデルを使用して物理的特性を近似するかのいずれかが行われます。
精密なモデリングを通じて得られた物理情報に基づいて粒状材料を操作する方法を学ぶことは、未解決の課題のままです。
この論文では、Taichi プログラミング言語に基づいて粒状材料用の微分可能な物理シミュレータを構築し、シミュレータを介した非粒状材料の勾配ベースの最適化によって生成される不完全なデモンストレーションによって加速される学習フレームワークを開発することで、この課題に対処することを提案します。
。
実験結果は、私たちの方法が 3 つのポリシーをトレーニングし、連鎖すると、シミュレーションと現実世界の両方のシナリオで粒状のマテリアルを輸送するタスクを実行できるようにすることを示していますが、既存の一般的な深層強化学習モデルではこれを達成できません。

要約(オリジナル)

Due to the complex physical properties of granular materials, research on robot learning for manipulating such materials predominantly either disregards the consideration of their physical characteristics or uses surrogate models to approximate their physical properties. Learning to manipulate granular materials based on physical information obtained through precise modelling remains an unsolved problem. In this paper, we propose to address this challenge by constructing a differentiable physics simulator for granular materials based on the Taichi programming language and developing a learning framework accelerated by imperfect demonstrations that are generated via gradient-based optimisation on non-granular materials through our simulator. Experimental results show that our method trains three policies that, when chained, are capable of executing the task of transporting granular materials in both simulated and real-world scenarios, which existing popular deep reinforcement learning models fail to accomplish.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google