面向自动生成抓取数据集的域随机化Sim2real迁移
机器人学
2023-10-10 v1 机器学习
摘要
机器人抓取是指通过在其表面施加力与力矩使机器人系统拾取物体。许多近期研究采用数据驱动方法解决抓取问题，但该任务的稀疏奖励特性使学习过程难以引导。为避免限制操作空间，越来越多工作提出从抓取数据集中学习，但其中大多数仅限于仿真。本文研究如何在真实世界中利用自动生成的抓取。我们使用质量-多样性（QD）方法在3种不同机械臂和夹爪（包括平行手指和灵巧手）上生成了超过7000条到达并抓取轨迹，并在真实世界中进行了测试。对收集测量的分析显示了若干基于域随机化的质量准则与仿真到真实迁移能力之间的相关性。我们指出了抓取中现实差距的关键挑战，强调了未来抓取研究者应关注的问题。最后提出了一种QD方法使抓取对域随机化更鲁棒，在Franka Research 3机械臂上实现了84%的迁移率。
引用
@article{arxiv.2310.04517,
title = {Domain Randomization for Sim2real Transfer of Automatically Generated Grasping Datasets},
author = {Johann Huber and François Hélénon and Hippolyte Watrelot and Faiz Ben Amar and Stéphane Doncieux},
journal= {arXiv preprint arXiv:2310.04517},
year = {2023}
}
备注
6 pages, 7 figures, draft version