从人类演示中学习软体机器人手的灵巧操作

灵巧的多指手能够完成简单的机器人夹爪无法实现的精细操作行为。然而，复杂的多指手通常昂贵且脆弱。低成本的软体手为更传统的设备提供了一个有吸引力的替代方案，但在传感和驱动方面存在相当大的挑战，使其难以应用于更复杂的操作任务。在本文中，我们描述了一种从演示中学习的方法，可用于训练软体机器人手执行灵巧操作任务。我们的方法使用以物体为中心的演示，其中人类用自己的手演示被操作物体的期望运动，机器人则使用强化学习自主地学习模仿这些演示。我们提出了一种新颖的算法，允许我们混合并选择最可行的演示子集，以在硬件上学习模仿，我们将其与引导式策略搜索框架的扩展结合使用，以利用多个演示来学习可泛化的神经网络策略。我们在 RBO Hand 2 上演示了我们的方法，学习了转动阀门、操作算盘和抓取等运动技能。