利用涌现式外在灵巧性抓取不可抓物体的学习
机器人学
2022-11-04 v1 人工智能
机器学习
摘要
如果一个简单的夹持器能够利用外部环境（例如将物体推靠在桌面或垂直墙壁上），即所谓的“外在灵巧性（Extrinsic Dexterity）”，便可解决更复杂的操作任务。先前关于外在灵巧性的工作通常对接触有谨慎的假设，从而对机器人设计、机器人运动以及物理参数的变化施加了限制。在本工作中，我们基于强化学习（RL）开发了一个系统以克服这些局限。我们研究“遮挡抓取（Occluded Grasping）”任务，其目标是抓取初始处于遮挡配置的物体；机器人需要将物体移动到可实施这些抓取的配置。我们提出一个基于无模型 RL 的系统，使用简单夹持器借助外在灵巧性成功完成该任务。策略学习到将物体推靠墙壁以旋转继而抓取的涌现行为，而无需对外在灵巧性施加额外奖励项。我们讨论了系统的关键组成部分，包括 RL 问题设计、多抓取训练与选择，以及基于自动课程的策略泛化。最重要的是，在仿真中训练的策略被零样本迁移到实体机器人。其展示了使用简单夹持器的动态且富含接触的运动，可泛化到具有不同尺寸、密度、表面摩擦和形状的物体，成功率达 78%。视频见 https://sites.google.com/view/grasp-ungraspable/。
引用
@article{arxiv.2211.01500,
title = {Learning to Grasp the Ungraspable with Emergent Extrinsic Dexterity},
author = {Wenxuan Zhou and David Held},
journal= {arXiv preprint arXiv:2211.01500},
year = {2022}
}