通过磨削学习成形：基于切削面感知的模型强化学习
机器人学
2023-08-07 v1
摘要
通过磨削进行物体成形是一种关键的工业过程，其中旋转的磨削带去除材料。物体形状转移模型对于实现机器人自动化至关重要；然而，学习这种依赖于工艺条件的复杂模型具有挑战性，因为它需要大量数据，且去除过程的不可逆性使得数据收集成本高昂。本文提出一种用于机器人磨削的切削面感知的基于模型的强化学习（MBRL）方法。我们的方法采用切削面感知模型作为物体的形状转移模型，该模型由几何切削模型与切削面偏差模型组成，基于机器人动作可指定工具所生成的切削面的假设。此外，根据磨削阻力理论，切削面偏差模型不需要原始形状信息，使得模型维度更小且比直接映射形状的天真形状转移模型更易学习。通过仿真与真实机器人实验的评估与比较，我们确认我们的 MBRL 方法能实现用于学习磨削物体成形的高数据效率，并对不同于训练数据的初始形状与目标形状提供泛化能力。
引用
@article{arxiv.2308.02150,
title = {Learning to Shape by Grinding: Cutting-surface-aware Model-based Reinforcement Learning},
author = {Takumi Hachimine and Jun Morimoto and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2308.02150},
year = {2023}
}
备注
8 pages, Accepted by Robotics and Automation Letters