将技能学习与机器人控制解耦以实现可泛化的物体操作
机器人学
2023-03-10 v2 计算机视觉与模式识别
机器学习
摘要
近期通过强化学习（RL）或模仿学习（IL）进行机器人操作的研究已显示出处理一系列任务（如拉开抽屉或柜门）的潜力。然而，这些技术对未见物体的泛化能力很差。我们推测这是由于关节控制的高维动作空间所致。本文采取一种替代方法，将学习“做什么”与“如何做”（即全身控制）的任务分离。我们将 RL 问题表述为确定一个与关节物体交互的脱离实体的虚拟操作器的技能动力学问题。全身机器人运动学控制被优化以执行高维关节运动，从而到达工作空间中的目标。其通过求解带机器人奇异性和运动学约束的二次规划（QP）模型来实现。我们在复杂关节物体操作上的实验表明，所提方法对具有大类内差异的未见物体更具泛化性，优于以往方法。评估结果表明，我们的方法生成更柔顺的机器人运动，并在任务成功率上优于纯 RL 与 IL 基线。更多信息与视频见 https://kl-research.github.io/decoupskill
引用
@article{arxiv.2303.04016,
title = {Decoupling Skill Learning from Robotic Control for Generalizable Object Manipulation},
author = {Kai Lu and Bo Yang and Bing Wang and Andrew Markham},
journal= {arXiv preprint arXiv:2303.04016},
year = {2023}
}
备注
Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2023