探索性抓取：抓取挑战性多面体物体的渐近最优算法
机器人学
2020-11-13 v2 人工智能
机器学习
摘要
近年来，数据驱动的通用抓取策略学习算法取得了显著进展。然而，这些策略可能持续无法抓取那些显著偏离训练数据分布或具有极少高质量抓取点的挑战性物体。受此类物体的启发，我们提出了一种新的问题设置——探索性抓取，旨在通过顺序抓取、释放和倾倒操作，高效发现未知多面体物体上的可靠抓取。我们将探索性抓取形式化为马尔可夫决策过程，在强化学习背景下研究其理论复杂性，并提出了一种高效的赌博机式算法——在线快速抓取探索策略的赌博机算法（BORGES），该算法利用问题结构高效发现每个物体稳定姿态下的高性能抓取。BORGES可补充任何通用抓取算法（平行爪、吸盘、多指等），用于学习那些持续失败的物体的策略。仿真实验表明，BORGES显著优于通用抓取流水线和其他两种在线学习算法，在Dex-Net对抗性和EGAD!物体数据集的46个挑战性物体上，平均在1000和8000时间步内达到最优策略的5%以内。初步物理实验表明，BORGES在真实世界中仅用200次抓取尝试即可将抓取成功率比Dex-Net基线提高45%。补充材料和视频见https://tinyurl.com/exp-grasping。
引用
@article{arxiv.2011.05632,
title = {Exploratory Grasping: Asymptotically Optimal Algorithms for Grasping Challenging Polyhedral Objects},
author = {Michael Danielczuk and Ashwin Balakrishna and Daniel S. Brown and Shivin Devgon and Ken Goldberg},
journal= {arXiv preprint arXiv:2011.05632},
year = {2020}
}
备注
Conference on Robot Learning (CoRL) 2020. First two authors contributed equally