基于深度强化学习的人机协作机器人端到端抓取策略
机器人学
2021-10-26 v1 人工智能
摘要
最先进的人机协作机器人抓取深受肌电图（EMG）推断鲁棒性问题的困扰。作为应对，研究者一直尝试将EMG与其他信号集成，通常以临时性的方式进行。本文中，我们提出一种在真实到达轨迹上对人机协作机器人抓取策略进行端到端训练的方法。为此，我们在DEXTRON（灵巧性环境）中使用强化学习（RL）和模仿学习（IL），这是一个包含真实人体轨迹的随机仿真环境，轨迹通过蒙特卡洛（MC）仿真方法增强和筛选。我们还提供了一个成功模型，一旦在专家策略数据和RL策略展开转移上训练后，该模型可揭示深度策略的工作方式以及其可能失败的情形。
引用
@article{arxiv.2104.12842,
title = {End-to-end grasping policies for human-in-the-loop robots via deep reinforcement learning},
author = {Mohammadreza Sharif and Deniz Erdogmus and Christopher Amato and Taskin Padir},
journal= {arXiv preprint arXiv:2104.12842},
year = {2021}
}
备注
ICRA 2021 Camera-ready version. Source code available at https://github.com/sharif1093/dextron