Deckel mit beiden Händen abschrauben
Twisting Lids Off with Two Hands
March 4, 2024
Autoren: Toru Lin, Zhao-Heng Yin, Haozhi Qi, Pieter Abbeel, Jitendra Malik
cs.AI
Zusammenfassung
Die Manipulation von Objekten mit zwei mehrfingrigen Händen stellt seit langem eine Herausforderung in der Robotik dar, was auf den kontaktreichen Charakter vieler Manipulationsaufgaben und die inhärente Komplexität der Koordination eines hochdimensionalen bimanuellen Systems zurückzuführen ist. In dieser Arbeit betrachten wir das Problem des Drehens von Verschlüssen verschiedener flaschenähnlicher Objekte mit zwei Händen und zeigen, dass in der Simulation trainierte Richtlinien mittels Deep Reinforcement Learning effektiv in die reale Welt übertragen werden können. Durch neuartige technische Erkenntnisse in den Bereichen physikalische Modellierung, Echtzeitwahrnehmung und Belohnungsdesign demonstriert die Richtlinie Generalisierungsfähigkeiten über eine Vielzahl von unbekannten Objekten hinweg und zeigt dynamische und geschickte Verhaltensweisen. Unsere Ergebnisse liefern überzeugende Beweise dafür, dass Deep Reinforcement Learning in Kombination mit Sim-to-Real-Transfer ein vielversprechender Ansatz bleibt, um Manipulationsprobleme von bisher unerreichter Komplexität zu bewältigen.
English
Manipulating objects with two multi-fingered hands has been a long-standing
challenge in robotics, attributed to the contact-rich nature of many
manipulation tasks and the complexity inherent in coordinating a
high-dimensional bimanual system. In this work, we consider the problem of
twisting lids of various bottle-like objects with two hands, and demonstrate
that policies trained in simulation using deep reinforcement learning can be
effectively transferred to the real world. With novel engineering insights into
physical modeling, real-time perception, and reward design, the policy
demonstrates generalization capabilities across a diverse set of unseen
objects, showcasing dynamic and dexterous behaviors. Our findings serve as
compelling evidence that deep reinforcement learning combined with sim-to-real
transfer remains a promising approach for addressing manipulation problems of
unprecedented complexity.