基于触觉的主动推断用于力控插孔插入
机器人学
2023-09-28 v1
摘要
强化学习（RL）在高效学习插孔任务中的力控制策略方面展现出巨大潜力。然而，机器人常因夹爪造成的视觉遮挡以及 peg 初始抓取位姿的不确定性而面临困难。这些挑战常将力控插入策略限制于 peg 刚性固定于末端执行器的情况。尽管基于视觉的触觉传感器可提供丰富的触觉反馈，有望解决这些问题，但利用其学习有效触觉策略既计算密集又难以泛化。本文提出一种鲁棒的触觉插入策略，可在无需大规模数据集大量训练的情况下，利用主动推断将倾斜的 peg 与孔对齐。我们的方法采用双策略架构：一个策略专注于插入，结合力控制与 RL 引导物体进入孔中；另一策略基于触觉反馈执行主动推断，将倾斜 peg 与孔对齐。在真实世界实验中，我们的双策略架构在以小于 0.1 mm 间隙插入孔时达到了 90% 成功率，显著优于先前缺乏触觉感官反馈的方法（5%）。为评估对齐策略的泛化能力，我们使用五种不同 peg 进行实验，证明了其对多个物体的有效适应。
引用
@article{arxiv.2309.15681,
title = {Tactile-based Active Inference for Force-Controlled Peg-in-Hole Insertions},
author = {Tatsuya Kamijo and Ixchel G. Ramirez-Alpizar and Enrique Coronado and Gentiane Venture},
journal= {arXiv preprint arXiv:2309.15681},
year = {2023}
}
备注
7 pages, 4 figures