InsertionNet 2.0：基于多模态多视角感官输入的最小接触多步插入
机器人学
2022-03-03 v1 人工智能
摘要
我们解决了如何让机器人仅通过少量人工干预、无需手工设计奖励或演示即可快速安全地学习插入技能的问题。我们的InsertionNet 2.0提供了一种改进技术，可稳健应对具有不同形状、颜色、初始位姿等特征的广泛用例。具体而言，我们提出了一种基于回归的方法，利用来自立体感知和力的多模态输入，并辅以对比学习以高效学习有价值的特征。此外，我们引入了用于插入的一次性学习技术，其依赖于关系网络方案以更好地利用所收集的数据并支持多步插入任务。我们的方法改进了原始InsertionNet的结果，在16个真实插入任务中取得了近乎完美的分数（200次试验中 above 97.5%），同时最小化了执行时间和插入过程中的接触。我们进一步展示了我们的方法处理真实3步插入任务的能力，并在无需学习的情况下完美解决了一个未见的插入任务。
引用
@article{arxiv.2203.01153,
title = {InsertionNet 2.0: Minimal Contact Multi-Step Insertion Using Multimodal Multiview Sensory Input},
author = {Oren Spector and Vladimir Tchuiev and Dotan Di Castro},
journal= {arXiv preprint arXiv:2203.01153},
year = {2022}
}
备注
Accepted to ICRA 2022, InsertionNet 1.0 : https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9420246