用于机器人动作空间分解的多Actor-Critic DDPG：控制软线性物体大尺度3D变形的框架
机器人学
2023-12-11 v2
摘要
可变形线性物体（DLO）的机器人操作在农业或工业等不同领域具有巨大潜力。然而，一个主要挑战在于获取描述机器人运动与DLO变形之间关系的精确变形模型。这类模型难以解析计算，且因DLO而异。因此，操纵DLO面临重大挑战，尤其是在需要高精度全局模型的大尺度变形方面。为应对这些挑战，本文提出MultiAC6：一种用于机器人动作空间分解的新型多Actor-Critic框架，以控制DLO的大尺度3D变形。在我们的方法中，两个深度强化学习（DRL）智能体对机器人夹爪进行定向和定位，以将DLO变形为所需形状。与以往基于DRL的研究不同，MultiAC6能够解决模拟到现实的差距，在真实环境中实现高达40厘米的大尺度3D变形。实验结果还表明，MultiAC6的成功率比单智能体方法高出66%。进一步的实验研究表明，MultiAC6无需重新训练即可很好地泛化到不同长度或材料的DLO。
引用
@article{arxiv.2312.04308,
title = {Multi Actor-Critic DDPG for Robot Action Space Decomposition: A Framework to Control Large 3D Deformation of Soft Linear Objects},
author = {Mélodie Daniel and Aly Magassouba and Miguel Aranda and Laurent Lequièvre and Juan Antonio Corrales Ramon and Roberto Iglesias Rodriguez and Youcef Mezouar},
journal= {arXiv preprint arXiv:2312.04308},
year = {2023}
}
备注
9 pages, 7 figures, 5 tables, Accepted for IEEE Robotics and Automation Letters (RA-L)