Tactile Gym 2.0：用于比较低成本高分辨率机器人触觉的仿真到现实深度强化学习
机器人学
2022-07-28 v2
摘要
高分辨率光学触觉传感器正越来越多地用于机器人学习环境，因为它们能够直接捕获大量与智能体-环境交互相关的数据。然而，由于触觉机器人平台成本高、专用仿真软件以及缺乏跨不同传感器通用性的仿真到现实（sim-to-real）方法，该领域的研究门槛很高。在本通讯中，我们扩展 Tactile Gym 仿真器，纳入两种最流行类型（Gelsight 风格（基于图像阴影）与 TacTip 风格（基于标记））的三种新型光学触觉传感器（TacTip、DIGIT 和 DigiTac）。我们证明，尽管真实触觉图像之间存在显著差异，单一的仿真到现实方法可用于这三种不同传感器并达到强劲的真实世界性能。此外，我们通过将这些任务适配到廉价的 4 自由度机械臂来降低所提任务的入门门槛，进一步促进该基准的推广。我们在三项需要触觉的物理交互任务上验证扩展后的环境：物体推动、边缘跟随与表面跟随。我们实验验证的结果凸显了这些传感器之间的一些差异，可帮助未来研究者针对不同的操作场景选择并定制触觉传感器的物理特性。
引用
@article{arxiv.2207.10763,
title = {Tactile Gym 2.0: Sim-to-real Deep Reinforcement Learning for Comparing Low-cost High-Resolution Robot Touch},
author = {Yijiong Lin and John Lloyd and Alex Church and Nathan F. Lepora},
journal= {arXiv preprint arXiv:2207.10763},
year = {2022}
}