用于可变形线性物体形状控制的离线目标条件强化学习
机器人学
2024-03-18 v1 系统与控制
系统与控制
摘要
可变形物体给机器人操作领域带来了诸多挑战。最能概括由非刚性行为引起的困难的任务之一是形状控制，它要求驱动物体达到期望的形状。虽然形状伺服方法在近似线性的行为环境中已被证明是成功的，但在具有更复杂动力学的任务中它们可能会失败。我们研究了一种替代方法，使用离线强化学习来解决可变形线性物体（DLO）的平面形状控制问题。为了评估材料属性的影响，测试了两种 DLO，即软绳和弹性线。我们将此任务构建为离线目标条件强化学习问题，旨在学习泛化到未见过的目标形状。我们提出了数据收集和增强程序，以限制需要在真实机器人上收集的实验数据量。我们评估了实现最佳结果所需的增强量，并测试了通过行为克隆对 TD3+BC 算法进行正则化的效果。最后，我们表明在曲率反转实验中，所提出的方法能够优于形状伺服基线。
引用
@article{arxiv.2403.10290,
title = {Offline Goal-Conditioned Reinforcement Learning for Shape Control of Deformable Linear Objects},
author = {Rita Laezza and Mohammadreza Shetab-Bushehri and Gabriel Arslan Waltersson and Erol Özgür and Youcef Mezouar and Yiannis Karayiannidis},
journal= {arXiv preprint arXiv:2403.10290},
year = {2024}
}