DeXtreme：从仿真到现实的灵巧手中操作迁移
机器人学
2024-01-04 v2 机器学习
摘要
近期的研究已证明深度强化学习（RL）算法能够在仿真中学习复杂的机器人行为，包括多指操作领域。然而，由于仿真与现实之间的差距，此类模型往往难以迁移到真实世界。在本文中，我们提出了相关技术以训练：a）能够在拟人机器手上执行鲁棒灵巧操作的政策；b）一个鲁棒的位姿估计器，适用于提供被操作物体状态的可靠实时信息。我们的政策在仿真中针对广泛的条件进行训练以适应。因此，我们的基于视觉的政策在同一重定向任务上显著优于文献中最佳的视觉政策，并且与通过动作捕捉系统获得特权状态信息的政策具有竞争力。我们的工作重申了在多种硬件和仿真器设置下进行灵巧操作sim-to-real迁移的可能性，在我们的案例中，使用的是Allegro Hand和基于Isaac Gym GPU的仿真。此外，它为研究人员使用常见的、负担得起的机器手和相机来实现此类结果开辟了可能。所得政策的视频以及补充信息（包括实验和演示）可在 https://dextreme.org/ 找到。
引用
@article{arxiv.2210.13702,
title = {DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality},
author = {Ankur Handa and Arthur Allshire and Viktor Makoviychuk and Aleksei Petrenko and Ritvik Singh and Jingzhou Liu and Denys Makoviichuk and Karl Van Wyk and Alexander Zhurkevich and Balakumar Sundaralingam and Yashraj Narang and Jean-Francois Lafleche and Dieter Fox and Gavriel State},
journal= {arXiv preprint arXiv:2210.13702},
year = {2024}
}
备注
28 pages. A smaller version of this paper is accepted to ICRA 2023