一种用于生成机器人操作中富含接触任务数据的开放式遥操作阻抗框架

在机器学习中使用大型数据集已带来卓越成果，某些情况下在曾被认为机器不可能完成的任务上超越人类。然而，在处理物理交互任务（例如富含接触的机器人操作）时达到人类水平性能仍是一大挑战。众所周知，对此类操作调节笛卡尔阻抗对其成功执行至关重要。强化学习（RL）等方法可成为解决此类问题的有前景范式。更确切地说，在解决新任务时使用任务无关专家示范来引导学习的方法潜力巨大，因其可利用大型数据集。然而，现有数据收集系统昂贵、复杂或不允许阻抗调节。本工作是迈向数据收集框架的第一步，该框架适用于收集与RL问题表述兼容的基于阻抗的专家示范大型数据集，其中采用了一种新颖动作空间。该框架根据对现有机器人操作数据收集框架进行广泛分析后得出的需求设计。成果是一个低成本、开放获取的遥操作阻抗框架，使人类专家能够示范富含接触的任务。