视触多指抓取策略的上下文强化学习
机器人学
2019-11-26 v2
摘要
利用仿真训练机器人操作策略有望提供几乎无限量的训练数据，且可安全地生成于无害环境中。迄今为止，使用仿真的主要挑战之一是弥合现实差距，使在仿真中训练的策略能够部署到真实世界中。我们在学习多指机器人抓取的上下文策略背景下探索现实差距。我们提出一种用于触觉机械手（GOAT）的抓取物体接近方法，学习克服现实差距问题。在我们的方法中，我们使用人手运动演示来初始化并缩减学习的搜索空间。我们用感兴趣物体的包围长方体尺寸作为策略的上下文，这使得策略能够基于比直接使用图像或点云更灵活的表示进行工作。利用手中的指尖触觉传感器使策略能够克服由粗略包围盒引入的几何信息减少以及位姿估计不确定性。我们展示了所学策略在无需任何微调的情况下成功运行于真实机器人上，从而弥合了现实差距。
引用
@article{arxiv.1911.09233,
title = {Contextual Reinforcement Learning of Visuo-tactile Multi-fingered Grasping Policies},
author = {Visak Kumar and Tucker Hermans and Dieter Fox and Stan Birchfield and Jonathan Tremblay},
journal= {arXiv preprint arXiv:1911.09233},
year = {2019}
}