用于机器人多形状插入学习的力-扭矩实验数据集

真实世界系统与物理交互的精确建模是解决机器人任务中的共同挑战。机器学习方法已在复杂系统（如铰接机器人结构、电缆拉伸、流体动力学）的建模中取得显著成果，或利用强化学习从原始传感器测量中无需显式编程地学习机器人任务（如抓取、到达）。然而，机器学习技术的常见瓶颈在于合适数据的可用性。尽管近年来已发布许多基于视觉的数据集，但涉及物理交互的数据集——对机器人界尤为关注——则较为稀少。本文提出一个关于 peg-in-hole 插入任务的公开数据集，包含多种凸形 peg 变体的力-扭矩与位姿信息。我们展示了该数据集如何用于仅以六轴力/扭矩传感器测量为输入训练机器人将多面体 peg 插入孔中，以及其他涉及接触的任务如形状识别。