基于末端效应导向学习方法的实时灵巧遥操作
机器人学
2024-08-05 v1
摘要
灵巧遥操作在推进人机系统方面至关重要，尤其是在需要精确和安全操作的任务中。然而，由于人手机器人之间的物理差异、与物体的动态交互以及对远程环境的间接控制和感知，它面临重大挑战。当前方法主要关注将人手映射到机器人对应物以复制运动，这暴露了一个关键疏忽：它往往忽视了与物体的物理交互，并将交互负担留给人类去适应并根据对远程环境的间接和反直觉观察做出费力的调整。本工作开发了一个末端效应导向学习型灵巧遥操作（EFOLD）框架以解决遥操作任务。EFOLD将遥操作建模为马尔可夫博弈，引入多个末端效应特征来解释人类操作者在与物体交互过程中的指令。这些特征被深度强化学习策略用于控制机器人并再现这些末端效应。EFOLD通过真实人类受试者和两种末端效应提取方法进行了评估，用于控制虚拟Shadow机械臂进行遥操作任务。EFOLD实现了实时控制能力，具有低指令跟随延迟（延迟<0.11秒）和高精度跟踪（均方误差<0.084弧度）。
引用
@article{arxiv.2408.00853,
title = {Real-time Dexterous Telemanipulation with an End-Effect-Oriented Learning-based Approach},
author = {Haoyang Wang and He Bai and Xiaoli Zhang and Yunsik Jung and Michel Bowman and Lingfeng Tao},
journal= {arXiv preprint arXiv:2408.00853},
year = {2024}
}
备注
Accepted by IROS 2024