DexForce：从动力学演示中提取力觉信息的动作用于灵巧操作
机器人学
2025-03-28 v2
摘要
仿真学习需要由状态-动作对序列组成的高质量演示。对于需要灵巧操作的接触丰富任务，状态-动作对中的动作必须产生正确的力。当前用于收集灵巧操作演示的广泛方法由于人类到机器人运动重新映射不直观且缺乏直接触觉反馈，难以用于演示接触丰富的任务。针对上述问题，我们提出了DexForce。DexForce利用在动力学演示期间测量的接触力，用于计算力觉信息的动作以进行策略学习。我们收集了六个任务的演示，表明在所有任务上，基于我们力觉信息的动作训练的策略平均成功率为76%。而与不考虑接触力的动作直接训练的策略成功率几乎为零。我们还进行了对策略观察中力数据包含与否进行的消融研究。我们发现，尽管使用力数据永远不会损害策略性能，但对于需要高级精度和协调性的任务（如打开AirPods案例和拆卸螺母），帮助最大。
引用
@article{arxiv.2501.10356,
title = {DexForce: Extracting Force-informed Actions from Kinesthetic Demonstrations for Dexterous Manipulation},
author = {Claire Chen and Zhongchun Yu and Hojung Choi and Mark Cutkosky and Jeannette Bohg},
journal= {arXiv preprint arXiv:2501.10356},
year = {2025}
}
备注
Videos can be found here: https://clairelc.github.io/dexforce.github.io/