通过学习操作特征与恢复策略解开密集非平面绳结
机器人学
2021-07-20 v1 人工智能
机器学习
摘要
针对绳索、线缆和导线等一维可变形结构的机器人解缠操作具有挑战性，因其构型空间无限维、动力学复杂且易自遮挡。解析控制器在密集构型下常告失败，原因在于难以在相邻缆段间抓取。我们提出两种增强鲁棒线缆解缠的算法 LOKI 与 SPiDERMan，它们与先前工作中的高层规划器 HULK 协同运行。LOKI 使用学习的操作特征模型，将粗粒度抓取关键点预测细化至精确、优化的位置与朝向；SPiDERMan 使用学习模型感知任务进展并施加恢复动作。我们在使用 da Vinci 手术机器人对真实线缆进行的物理解缠实验中评估这些算法，包含 336 个绳结与超过 1500 次动作。我们发现，HULK、LOKI 与 SPiDERMan 的组合能够解开密集的 overhand、figure-eight、double-overhand、square、bowline、granny、stevedore 与 triple-overhand 绳结。该方法的组合在 60 次物理实验中以 68.3% 的成功率将线缆从密集初始构型解开，并比先前工作的基线成功率高出 50%。补充材料、代码与视频见 https://tinyurl.com/rssuntangling。
引用
@article{arxiv.2107.08942,
title = {Untangling Dense Non-Planar Knots by Learning Manipulation Features and Recovery Policies},
author = {Priya Sundaresan and Jennifer Grannen and Brijen Thananjeyan and Ashwin Balakrishna and Jeffrey Ichnowski and Ellen Novoseller and Minho Hwang and Michael Laskey and Joseph E. Gonzalez and Ken Goldberg},
journal= {arXiv preprint arXiv:2107.08942},
year = {2021}
}