Cooperative Grasping and Transportation using Multi-agent Reinforcement Learning with Ternary Force Representation

要約

協力して掴み、輸送するには、タスクを完了するために効果的な調整が必要です。
この研究は、ロボットがセンサーを使用して他の人が物体に加えた力を検出し、調整を達成する力感知フィードバックを活用するアプローチに焦点を当てています。
明示的なコミュニケーションとは異なり、遅延や中断を回避できます。
ただし、力のセンシングは非常に敏感であり、把握力、把握姿勢、物体サイズや形状の変化など、把握環境の変化による干渉を受けやすく、力信号に干渉し、結果として調整が損なわれる可能性があります。
我々は、把握環境の変化に対して一貫した表現を維持する三値の力表現を用いたマルチエージェント強化学習（MARL）を提案する。
シミュレーションと実世界の実験は、固有の sim2real ギャップだけでなく、把持力、物体サイズ、形状の変化に対する提案手法のロバスト性を実証しています。

要約(オリジナル)

Cooperative grasping and transportation require effective coordination to complete the task. This study focuses on the approach leveraging force-sensing feedback, where robots use sensors to detect forces applied by others on an object to achieve coordination. Unlike explicit communication, it avoids delays and interruptions; however, force-sensing is highly sensitive and prone to interference from variations in grasping environment, such as changes in grasping force, grasping pose, object size and geometry, which can interfere with force signals, subsequently undermining coordination. We propose multi-agent reinforcement learning (MARL) with ternary force representation, a force representation that maintains consistent representation against variations in grasping environment. The simulation and real-world experiments demonstrate the robustness of the proposed method to changes in grasping force, object size and geometry as well as inherent sim2real gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google