野外抓取：从低成本演示中学习 6DoF 闭环抓取
计算机视觉与模式识别
2020-06-19 v2 机器人学
摘要
智能操纵受益于以高自由度（DoF）灵活控制末端执行器并动态对环境作出反应的能力。然而，由于收集有效训练数据和高效学习的挑战，当今大多数抓取算法局限于自上而下的运动并采用开环执行。在这项工作中，我们提出了一种新型低成本硬件接口，用于让人们在多样环境中收集抓取演示。利用该数据，我们表明可以通过强化学习训练一个鲁棒的端到端 6DoF 闭环抓取模型并迁移到真实机器人。我们抓取模型的一个关键方面是它使用基于“动作视角”的渲染来针对不同可能动作模拟未来状态。通过使用学习的价值函数（Q-function）评估这些状态，我们的方法能够更好地选择使总奖励（即抓取成功）最大化的相应动作。我们最终的抓取系统能够在各种场景配置下以及带有运动物体的动态场景中实现可靠的 6DoF 闭环抓取新物体。
引用
@article{arxiv.1912.04344,
title = {Grasping in the Wild:Learning 6DoF Closed-Loop Grasping from Low-Cost Demonstrations},
author = {Shuran Song and Andy Zeng and Johnny Lee and Thomas Funkhouser},
journal= {arXiv preprint arXiv:1912.04344},
year = {2020}
}
备注
Project Webpage https://graspinwild.cs.columbia.edu/