Just Add Force for Contact-Rich Robot Policies
机器人学
2024-10-18 v1
摘要
用于学习端到端机器人策略的机器人轨迹通常包含末端执行器和夹爪位置、工作空间图像以及语言。从此类轨迹中学习的策略不适用于精细抓取，这类抓取需要紧密耦合且精确的夹爪力度和夹爪位置。我们收集了130条包含力反馈的成功抓取轨迹，涉及30个独特物体。我们的方法虽然基于当前电流测量力度（尽管较为嘈杂），却无需额外硬件且与夹爪无关。我们训练和评估了两个扩散策略：一个使用（力反馈）收集的力信息，另一个仅使用（位置信息）进行。我们发现，带力反馈的策略在精细抓取方面优于仅使用位置的策略，能够推广到未见的精细物体，同时将抓取策略延迟降低了近4倍，相对于基于LLM的方法。基于我们在有限数据上的有前景的结果，我们希望向其他研究者发出信号，鼓励他们在新数据集中收集力等触觉信息，从而在未来的机器人基础模型中实现更稳健的接触丰富的操控。我们的数据、代码、模型和视频均可访问于 https://justaddforce.github.io/。
引用
@article{arxiv.2410.13124,
title = {Just Add Force for Contact-Rich Robot Policies},
author = {William Xie and Stefan Caldararu and Nikolaus Correll},
journal= {arXiv preprint arXiv:2410.13124},
year = {2024}
}