基于视觉空间注意和本体感觉数据驱动强化学习的鲁棒插销入孔任务（可变条件下）
机器人学
2024-04-01 v2 人工智能
摘要
锚栓插入是建筑领域中针对混凝土孔洞的一种插销入孔任务。人们已努力实现该任务的自动化，但变化的光照和孔洞表面条件，以及对短设置时间和任务执行时间的要求，使得自动化具有挑战性。在本研究中，我们引入了一种视觉和本体感觉数据驱动的机器人控制模型，该模型对具有挑战性的光照和孔洞表面条件具有鲁棒性。该模型由一个空间注意点网络（SAP）和一个深度强化学习（DRL）策略组成，两者通过端到端联合训练来控制机器人。该模型以离线方式训练，采用样本高效的框架以减少训练时间，并在将模型迁移到物理世界时最小化现实差距。通过使用工业机器人在12个未知孔洞中、从16个不同初始位置、在三种不同光照条件（其中两种带有误导性阴影）下执行任务的评估，我们证明了SAP即使在具有挑战性的光照条件下也能生成图像的相关注意点。我们还表明，与各种基线相比，所提出的模型能够以更高的成功率和更短的任务完成时间执行任务。由于所提出的模型即使在恶劣的光照、初始位置和孔洞条件下也具有高效性，并且离线训练框架具有高样本效率和短训练时间，该方法可以轻松应用于建筑领域。
引用
@article{arxiv.2312.16438,
title = {Visual Spatial Attention and Proprioceptive Data-Driven Reinforcement Learning for Robust Peg-in-Hole Task Under Variable Conditions},
author = {André Yuji Yasutomi and Hideyuki Ichiwara and Hiroshi Ito and Hiroki Mori and Tetsuya Ogata},
journal= {arXiv preprint arXiv:2312.16438},
year = {2024}
}
备注
Published in IEEE Robotics and Automation Letters on 08 February 2023