面向零样本仿真到现实迁移的非抓取式操作的接触前与接触后策略分解
机器人学
2023-09-07 v1
摘要
我们提出了一种用于非抓取式操作的系统，该操作需要大量的接触模式转换，并利用环境接触将物体成功操控至目标位置。我们的方法基于深度强化学习，与最先进的规划算法不同，它不需要预先知道物体或环境的物理参数（如摩擦系数或质心）。规划时间被缩减为神经网络上简单的前馈预测时间。我们提出了一种计算结构、动作空间设计和课程学习方案，以促进高效探索与仿真到现实的迁移。在具有挑战性的真实世界非抓取式操作任务中，我们展示了我们的方法可以对不同物体进行泛化，并且即使对于训练期间未见过的新物体也能成功。项目网站：https://sites.google.com/view/nonprenehsile-decomposition
引用
@article{arxiv.2309.02754,
title = {Pre- and post-contact policy decomposition for non-prehensile manipulation with zero-shot sim-to-real transfer},
author = {Minchan Kim and Junhyek Han and Jaehyung Kim and Beomjoon Kim},
journal= {arXiv preprint arXiv:2309.02754},
year = {2023}
}
备注
Accepted to the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)