基于模块化强化学习架构的灵巧触觉内手操作
机器人学
2023-11-08 v1
摘要
使用多指机械手进行灵巧内手操作是一项具有挑战性的任务，尤其在手倒置朝向、需要持续力闭合且不使用外部传感器时。对于将物体重新定向至给定目标朝向（而非绕轴无限旋转）的任务，缺乏外部传感器是一个额外的根本性挑战，因为必须始终估计物体状态，例如检测何时达到目标。本文中，我们展示了使用力矩控制的DLR-Hand II将立方体以 /2栅格重新定向至24种可能目标朝向中任意一种的任务是可实现的。该任务在仿真中使用模块化深度强化学习架构学习：实际策略仅具有0.5s的较小观测时间窗，但将立方体状态作为显式输入，该状态通过基于运行策略所生成数据训练的深度可微粒子滤波器估计。在仿真中，我们施加显著域随机化后达到了92%的成功率。通过真实机器人系统上的零样本Sim2Real迁移，所有24种目标朝向均可高成功率实现。
引用
@article{arxiv.2303.04705,
title = {Dextrous Tactile In-Hand Manipulation Using a Modular Reinforcement Learning Architecture},
author = {Johannes Pitz and Lennart Röstel and Leon Sievers and Berthold Bäuml},
journal= {arXiv preprint arXiv:2303.04705},
year = {2023}
}