1 Modular Parallel Manipulator for Long-Term Soft Robotic Data Collection

要約

ソフト ロボティクスの分野で機械学習のための長期実験や大規模なデータ収集を実行することは、ハードウェアの堅牢性と実験の柔軟性が求められるため、困難です。
この研究では、このような大規模なデータ収集に適しており、さまざまなソフトロボット製造方法と互換性のあるモジュール式並列ロボット操作プラットフォームを提案します。
剛性の高いロボット システムで大規模なデータ収集を可能にする高忠実度でリアルタイムよりも高速なシミュレーションを再現することの計算的および理論的困難を考慮すると、堅牢なソフト ロボット ハードウェア プラットフォームがこの分野での最優先の開発タスクになります。
プラットフォームのモジュールは、準拠した並列構造で構成されるカスタマイズ可能なフィンガーを作動させる、一対の既製の電気モーターで構成されています。
フィンガーの平行機構は、モーターが受動構造を完全に作動させることができるため、単一の 3D プリントされたウレタンまたは成型シリコンのバルク構造と同じくらい単純です。
この設計の柔軟性により、ソフトメカニズムのさまざまな形状、バルク特性、表面特性を実験することができます。
さらに、並列機構には別個の電子機器や追加部品は必要ありませんが、これらを含めることができ、学習プロセスで互換性のあるソフトセンサーとアクチュエータを研究するために多機能ソフトマテリアルを使用して構築することができます。
この研究では、ベンチマーク 2D 操作タスクでハードウェア上で直接ポリシー勾配強化学習に使用できるプラットフォームの機能を検証します。
さらに、複数のフィンガーとの互換性を実証し、互換性のある拡張機能の設計制約を特徴付けます。

要約(オリジナル)

Performing long-term experimentation or large-scale data collection for machine learning in the field of soft robotics is challenging, due to the hardware robustness and experimental flexibility required. In this work, we propose a modular parallel robotic manipulation platform suitable for such large-scale data collection and compatible with various soft-robotic fabrication methods. Considering the computational and theoretical difficulty of replicating the high-fidelity, faster-than-real-time simulations that enable large-scale data collection in rigid robotic systems, a robust soft-robotic hardware platform becomes a high priority development task for the field. The platform’s modules consist of a pair of off-the-shelf electrical motors which actuate a customizable finger consisting of a compliant parallel structure. The parallel mechanism of the finger can be as simple as a single 3D-printed urethane or molded silicone bulk structure, due to the motors being able to fully actuate a passive structure. This design flexibility allows experimentation with soft mechanism varied geometries, bulk properties and surface properties. Additionally, while the parallel mechanism does not require separate electronics or additional parts, these can be included, and it can be constructed using multi-functional soft materials to study compatible soft sensors and actuators in the learning process. In this work, we validate the platform’s ability to be used for policy gradient reinforcement learning directly on hardware in a benchmark 2D manipulation task. We additionally demonstrate compatibility with multiple fingers and characterize the design constraints for compatible extensions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google