Impact of Tactile Sensor Quantities and Placements on Learning-based Dexterous Manipulation

要約

触覚情報により、学習ベースの手操作のトレーニングが迅速化され、タスクのパフォーマンスが向上します。
既存のアプローチは、多数の触覚センサーを備えたシミュレートされた環境で検証されます。
しかし、このようなセンサーを実際のロボットハンドに取り付けることは、コストが高く物理的な制限があるため、適用できません。
触覚センサーの実世界での導入を可能にするために、この研究では、ロボットハンド上のさまざまな量や配置を含む触覚センサーが器用な操作タスクのパフォーマンスに及ぼす影響を調査し、それぞれの重要性を分析します。
経験的にセンサーの数量を減らすことで、最適化された触覚センサーのセット (センサー 21 個) 構成を見つけることに成功しました。これは、ブロック操作タスクの元のセット (センサー 92 個) と比較して、わずか 20% のセンサー数量で 93% 以上のタスク パフォーマンスを維持します。
これにより、センサーの製造コストと設計コストが 80% 以上削減される可能性があります。
経験的結果を一般化可能な理解に変換するために、重み付き線形回帰アルゴリズムを使用してタスク パフォーマンス予測モデルを構築し、それを使用してさまざまなセンサー構成でのタスク パフォーマンスを予測します。
その一般性を示すために、卵とペンの操作タスクでこのモデルを検証し、平均予測誤差 3.12% を達成しました。

要約(オリジナル)

Tactile information effectively enables faster training and better task performance for learning-based in-hand manipulation. Existing approaches are validated in simulated environments with a large number of tactile sensors. However, attaching such sensors to a real robot hand is not applicable due to high cost and physical limitations. To enable real-world adoption of tactile sensors, this study investigates the impact of tactile sensors, including their varying quantities and placements on robot hands, on the dexterous manipulation task performance and analyzes the importance of each. Through empirically decreasing the sensor quantities, we successfully find an optimized set of tactile sensors (21 sensors) configuration, which keeps over 93% task performance with only 20% sensor quantities compared to the original set (92 sensors) for the block manipulation task, leading to a potential reduction of over 80% in sensor manufacturing and design costs. To transform the empirical results into a generalizable understanding, we build a task performance prediction model with a weighted linear regression algorithm and use it to forecast the task performance with different sensor configurations. To show its generalizability, we verified this model in egg and pen manipulation tasks and achieved an average prediction error of 3.12%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google