用于学习灵巧操作的深度动力学模型
机器人学
2019-09-26 v1 机器学习
摘要
多指灵巧手可为机器人提供灵活执行广泛操作技能的能力。然而，许多更复杂的行为也以难以控制而著称：执行手中物体操作、实施移动物体的手指步态、以及展现书写等精细运动技能，都需要精细平衡接触力、反复打破并重建接触、并保持对无驱动物体的控制。基于学习的技术提供了直接从数据获取这些技能的诱人可能，但当前学习方法要么需要大量数据并产生特定于任务的策略，要么尚未被证明可扩展到需要精细运动技能的更复杂和真实的任务。在这项工作中，我们证明我们的深度动力学模型在线规划方法（PDDM）解决了这两个局限；我们表明，学习到的动力学模型的改进，连同在线模型预测控制的改进，确实能够实现灵活、接触丰富的灵巧操作技能的高效且有效的学习——而且还是在真实世界中一个 24 自由度拟人手上，仅使用 4 小时纯真实世界数据便学会同时协调多个自由漂浮物体。视频见 https://sites.google.com/view/pddm/
引用
@article{arxiv.1909.11652,
title = {Deep Dynamics Models for Learning Dexterous Manipulation},
author = {Anusha Nagabandi and Kurt Konoglie and Sergey Levine and Vikash Kumar},
journal= {arXiv preprint arXiv:1909.11652},
year = {2019}
}
备注
project website https://sites.google.com/view/pddm/