基于仿真到现实特权训练的软手腕机器人物体插入

本研究使用带有软手腕的机器人解决非结构化环境下的富接触物体插入任务，实现安全的接触交互。对于非结构化环境，我们假设物体抓取和孔位姿态存在不确定性，且软手腕姿态无法直接测量。近期的方法采用学习方法和力/力矩传感器进行接触定位；然而，它们需要在现实世界中收集数据。本研究提出了一种使用特权训练策略的仿真到现实 (sim-to-real) 方法。该方法包含两个步骤：1) 训练教师策略，利用传感器输入和诸如插销姿态等真实特权信息完成任务；然后 2) 利用教师策略 rollout 生成的数据训练学生编码器，以从传感器历史记录中估计特权信息。我们在抓取和孔位姿态存在不确定性的情况下进行了仿真到现实实验。结果表明，对于 0 度、+5 度和 -5 度插销错位的情况，圆形插销插入的成功率分别为 100%、95% 和 80%，且起始位置从默认位置随机偏移 $\pm$ 10 mm。此外，我们使用训练期间从未见过的方形插销测试了所提出的方法。额外的仿真评估表明，与仅使用仿真传感器数据进行训练相比，使用特权策略提高了成功率。我们的结果证明了将仿真到现实特权训练用于软机器人的优势，这有望减轻机器人装配中的人力工程投入。