一个抓取姿态足矣：从视觉与触觉通过深度强化学习掌握多指抓取
机器人学
2024-06-11 v2
摘要
多指机器人手有潜力使机器人执行精细操作任务。然而，教导机器人用拟人手抓取物体是一个艰巨的问题，因为状态和动作空间的高维性。深度强化学习（DRL）提供了为此类问题设计控制策略而无需显式环境或手建模的技术。然而，最先进的免模型算法已被证明对学习此类策略效率低下。主要问题是此类高维问题的环境探索不可行，从而阻碍了策略优化的初始阶段。解决此问题的一种可能是依赖离线任务演示，但这往往在时间和计算资源上过于昂贵。为解决这些问题，我们提出了面向 iCub 人形机器人拟人手的“一个抓取姿态足矣”（G-PAYN）方法。我们开发了一种自动收集任务演示以初始化策略训练的方法。所提出的抓取流程始于由外部算法生成的抓取姿态，用于启动运动。随后使用（先前用所提 G-PAYN 训练的）控制策略来触及并抓取物体。我们将 iCub 部署到 MuJoCo 模拟器中，并用来自 YCB-Video 数据集的物体测试我们的方法。结果表明，在考虑的设置下，G-PAYN 在成功率和执行时间上优于当前 DRL 技术及相关基线。用于复现实验的代码随论文以开源许可发布。
引用
@article{arxiv.2306.03484,
title = {A Grasp Pose is All You Need: Learning Multi-fingered Grasping with Deep Reinforcement Learning from Vision and Touch},
author = {Federico Ceola and Elisa Maiettini and Lorenzo Rosasco and Lorenzo Natale},
journal= {arXiv preprint arXiv:2306.03484},
year = {2024}
}
备注
IROS 2023