用于机器人手臂数系统学习空中物体抓取的模块化神经网络策略
机器人学
2023-12-22 v1 人工智能
机器学习
摘要
我们提出了一种模块化框架，旨在使机器人手臂数系统学会如何抓取飞行物体，这是一项需要快速、反应性且精确定时的机器人运动的任务。我们的框架由五个核心模块组成： 学习物体轨迹预测的物体状态估计器； 学习对用于抓取的物体姿态进行评分和排序的抓取姿态质量网络； 训练用于将机器人手移动到预抓取姿态的趋近控制策略； 训练用于执行柔性抓取运动以实现安全稳健抓取的抓取控制策略； 训练用于综合趋近和抓取策略所给出动作的门控网络。前两个模块通过监督学习进行训练，后三个模块在仿真环境中使用深度强化学习。我们在仿真环境中对每个模块及集成系统进行了广泛评估，以展示空中抓取的高成功率以及对干扰和传感器噪声的鲁棒性。尽管训练时仅使用了简单的圆柱形和球形物体，集成系统仍成功泛化到了训练中未使用的各种家用物体。
引用
@article{arxiv.2312.13987,
title = {Modular Neural Network Policies for Learning In-Flight Object Catching with a Robot Hand-Arm System},
author = {Wenbin Hu and Fernando Acero and Eleftherios Triantafyllidis and Zhaocheng Liu and Zhibin Li},
journal= {arXiv preprint arXiv:2312.13987},
year = {2023}
}
备注
8 pages. Accepted and presented at IEEE IROS 2023