基于 Real2Sim2Real 自监督学习的平面机器人投掷
机器人学
2022-06-28 v2
摘要
本文提出{\em 平面机器人投掷（PRC）}任务：机械臂在平面内运动并握持缆绳一端，使另一端滑过平面到达期望目标。PRC 可使缆绳抵达超出机器人工作空间的点，并在家庭、仓库与工厂的缆绳管理中具有应用价值。为高效学习给定缆绳的 PRC 策略，我们提出 Real2Sim2Real，一种自监督框架，其利用差分进化自动收集物理轨迹样本以调优动力学仿真器参数，生成大量仿真样本，并采用仿真与物理数据的加权组合学习策略。我们使用三种仿真器（Isaac Gym-segmented、Isaac Gym-hybrid 与 PyBullet）、两种函数逼近器（高斯过程与神经网络（NNs））以及三根刚度、扭转与摩擦各异的缆绳评估 Real2Sim2Real。基于 240 次物理试验的结果表明，PRC 策略的中位误差距离（占缆绳长度百分比）为 8% 至 14%，优于基线及仅用真实或仅用仿真样本训练的策路。代码、数据与视频见 https://tinyurl.com/robotcast。
引用
@article{arxiv.2111.04814,
title = {Planar Robot Casting with Real2Sim2Real Self-Supervised Learning},
author = {Vincent Lim and Huang Huang and Lawrence Yunliang Chen and Jonathan Wang and Jeffrey Ichnowski and Daniel Seita and Michael Laskey and Ken Goldberg},
journal= {arXiv preprint arXiv:2111.04814},
year = {2022}
}