一种用于接触丰富双臂操作策略模仿学习的系统
机器人学
2022-08-02 v1 人机交互
摘要
本文讨论了一个通过模仿来教导双臂操作任务的框架。为此，我们提出了一种从人类示范中学习柔顺且接触丰富的机器人行为的系统与算法。该系统结合了导纳控制与机器学习的思想，以提取能够(a)在时间和空间上从多种扰动中恢复并适应，同时(b)有效利用与环境物理接触的控制策略。我们使用一个涉及被操作物体与插入销之间多处同时接触的实时插入任务证明了方法的有效性。我们还研究了在此类双臂设定下收集训练数据的高效手段。为此，我们进行了一项人类受试者研究，并分析了用户报告的努力程度与心理需求。实验表明，尽管更难提供，但遥操作示范中可用的额外力/力矩信息对于相位估计与任务成功至关重要。最终，力/力矩数据显著提升了操作鲁棒性，在多触点插入任务中取得了90%的成功率。代码与视频见 https://bimanualmanipulation.com/
引用
@article{arxiv.2208.00596,
title = {A System for Imitation Learning of Contact-Rich Bimanual Manipulation Policies},
author = {Simon Stepputtis and Maryam Bandari and Stefan Schaal and Heni Ben Amor},
journal= {arXiv preprint arXiv:2208.00596},
year = {2022}
}
备注
Accepted to the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022), Kyoto, Japan