无物体模型下用于精确抓取放置的自监督学习
机器人学
2020-06-16 v1
摘要
柔性抓取与放置是机器人领域一项基础却具挑战性的任务，尤其是因为需要物体模型来简单定义目标位姿。在本工作中，机器人转而通过学习使用平面操作，依据单一演示的目标状态来抓取和放置物体。我们的主要贡献在于将通常由全卷积神经网络估计的原语机器人学习与一次性模仿学习相结合。因此，我们将放置奖励定义为真实世界测量值与特定任务噪声分布之间的对比损失。此外，我们将系统设计为以自监督方式学习，从而实现了多达25000次抓取放置动作的真实世界实验。随后，我们的机器人能够以平均2.7（0.2）毫米和2.6（0.8）度的放置误差放置已训练物体。由于我们的方法不需要物体模型，机器人能够泛化到未知物体，同时保持5.9（1.1）毫米和4.1（1.2）度的精度。我们进一步展示了一系列涌现行为：机器人自然学会在多种物体类型存在时选择正确的物体，在钉游戏中精确插入物体，从密集杂乱中拣出螺丝，并从单一目标状态推断出多个抓取放置动作。
引用
@article{arxiv.2006.08373,
title = {Self-supervised Learning for Precise Pick-and-place without Object Model},
author = {Lars Berscheid and Pascal Meißner and Torsten Kröger},
journal= {arXiv preprint arXiv:2006.08373},
year = {2020}
}
备注
Published in the IEEE Robotics and Automation Letters