基于软手腕和部分可观测性的对称感知机器人装配强化学习
机器人学
2024-05-01 v2 人工智能
机器学习
摘要
本研究利用软手腕解决了机器人装配中具有代表性且充满挑战的富接触 peg-in-hole 任务，该软手腕比刚性手腕操作更安全且能容忍更低频率的控制信号。先前的研究通常使用完全可观测的公式化方法，需要外部设置或估计器来获取 peg-to-hole 位姿。相比之下，我们采用部分可观测的公式化方法，并结合基于演示的深度强化学习，训练一个仅基于触觉和本体感觉信号行动的基于记忆的代理。此外，先前的工作未纳入潜在的域对称性，因此必须在更大的空间中搜索解决方案。相反，我们提出利用对称性来提高样本效率，方法是增强训练数据并构建辅助损失以迫使代理遵循对称性。在五种不同对称 peg 形状的仿真结果表明，我们提出的代理性能可与甚至优于基于状态的代理。特别是，样本效率还使我们能够在 3 小时内直接在真实机器人上进行学习。
引用
@article{arxiv.2402.18002,
title = {Symmetry-aware Reinforcement Learning for Robotic Assembly under Partial Observability with a Soft Wrist},
author = {Hai Nguyen and Tadashi Kozuno and Cristian C. Beltran-Hernandez and Masashi Hamaya},
journal= {arXiv preprint arXiv:2402.18002},
year = {2024}
}
备注
Accepted at ICRA-2024