DeepClaw：一种用于学习物体操控的机器人硬件基准平台

我们提出DeepClaw作为一种可重构的机器人硬件与任务层次基准，用于机器人学习。DeepClaw基准旨在从机电一体化视角看待机器人学习问题，其特点是一个最小化的机器人单元设计，可轻松重构以承载来自不同厂商的机器人硬件，包括机械臂、夹爪、相机、工作台和物体，旨在精简地收集物理操控数据并评估所学技能以进行硬件基准测试。我们提供了机器人单元的详细设计，使用易获取的部件构建可承载机器人学习中广泛采用的各类机器人硬件的实验环境。我们还提出了软件集成的层次化流程，包括定位、识别、抓取规划和运动规划，以精简基于学习的机器人控制、数据收集和实验验证，实现可共享性与可复现性。我们给出了DeepClaw系统在三组标准机器人硬件上完成基线井字棋任务、清箱任务和拼图任务的基准测试结果。我们的结果表明，DeepClaw中定义的任务可在三个机器人单元上轻松复现。在相同任务设置下，所用机器人硬件的差异将对机器人学习的性能度量产生不可忽略的影响。所有设计图纸与代码均托管于Github以供开放获取。