基于强化学习的跨本体灵巧抓取
机器人学
2024-10-04 v1 机器学习
摘要
灵巧手在复杂现实世界抓取任务中展现出巨大的潜力。虽然最近的研究主要聚焦于为特定机器手学习策略，但开发能控制多样化灵巧手的通用策略 remains largely 未探索。本工作我们研究使用强化学习 (RL) 学习跨本体灵巧抓取策略。灵感来自人类手通过遥操作控制各种灵巧手的能力，我们提出基于人类手的特征抓取 (eigengrasps) 的通用动作空间。策略输出特征抓取动作，然后通过一个 retargeting 映射转换为每个机器手的特定关节动作。我们将机器手的感知简化为仅包含指尖和手掌位置，提供跨不同机器手的统一观察空间。我们的方法在使用单个基于视觉的策略跨四种不同本体从 YCB 数据集中抓取物体时实现了 80% 的成功率。此外，我们的策略对两个先前未见的本体实现零样本泛化，并在高效微调方面显著提升。有关详细信息和视频，请访问我们的项目页面 https://sites.google.com/view/crossdex。
引用
@article{arxiv.2410.02479,
title = {Cross-Embodiment Dexterous Grasping with Reinforcement Learning},
author = {Haoqi Yuan and Bohan Zhou and Yuhui Fu and Zongqing Lu},
journal= {arXiv preprint arXiv:2410.02479},
year = {2024}
}