工业插入任务中视触反馈策略在真实环境下的安全自监督学习
机器人学
2023-03-22 v2
摘要
工业插入任务通常以重复性方式进行，所涉及的零件公差严格且易损坏。在真实环境中学习工业插入策略具有挑战性，因为零件与环境的碰撞可能导致零件滑移或破损。本文提出一种安全的自监督方法，用于学习对抓取位姿变化具有鲁棒性的视触插入策略。该方法减少了人工干预以及零件与接收器之间的碰撞。方法将插入任务划分为两个阶段。在第一对齐阶段，学习基于触觉的抓取位姿估计模型，以将插入零件与接收器对齐。在第二插入阶段，学习基于视觉的策略，以引导零件进入接收器。机器人利用力-力矩感知实现安全的自监督数据收集流程。在 NIST 装配任务板上的 USB 插入任务物理实验表明，所得策略在 45 种不同初始抓取位姿下可实现 45/45 次插入成功，优于两种基线：(1) 在 50 个人工插入演示上训练的行为克隆智能体（1/45）；(2) 在真实环境中训练的在线强化学习策略（TD3）（0/45）。
引用
@article{arxiv.2210.01340,
title = {Safe Self-Supervised Learning in Real of Visuo-Tactile Feedback Policies for Industrial Insertion},
author = {Letian Fu and Huang Huang and Lars Berscheid and Hui Li and Ken Goldberg and Sachin Chitta},
journal= {arXiv preprint arXiv:2210.01340},
year = {2023}
}