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.