Girador de bolígrafo dinámico en mano con robótica suave

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

Autores: Yunchao Yao, Uksang Yoo, Jean Oh, Christopher G. Atkeson, Jeffrey Ichnowski

cs.AI

Resumen

La manipulación dinámica en mano sigue siendo una tarea desafiante para los sistemas robóticos blandos que han demostrado ventajas en interacciones seguras y complacientes, pero tienen dificultades con tareas dinámicas de alta velocidad. En este trabajo, presentamos SWIFT, un sistema para aprender tareas dinámicas utilizando una mano robótica suave y complaciente. A diferencia de trabajos anteriores que se basan en simulación, acciones cuasiestáticas y modelos precisos de objetos, el sistema propuesto aprende a hacer girar un bolígrafo a través de ensayo y error utilizando solo datos del mundo real sin necesidad de un conocimiento previo explícito de los atributos físicos del bolígrafo. Con ensayos autoetiquetados muestreados del mundo real, el sistema descubre el conjunto de parámetros primitivos de agarre y giro de bolígrafo que permite a una mano suave hacer girar un bolígrafo de manera robusta y confiable. Después de 130 acciones muestreadas por objeto, SWIFT logra una tasa de éxito del 100% en tres bolígrafos con diferentes pesos y distribuciones de peso, demostrando la generalización y robustez del sistema ante cambios en las propiedades del objeto. Los resultados resaltan el potencial de los efectores finales robóticos blandos para realizar tareas dinámicas, incluida la manipulación rápida en mano. También demostramos que SWIFT se generaliza para hacer girar objetos con diferentes formas y pesos, como un pincel y un destornillador, que hacemos girar con tasas de éxito de 10/10 y 5/10 respectivamente. Los videos, datos y código están disponibles en https://soft-spin.github.io.

English

Dynamic in-hand manipulation remains a challenging task for soft robotic systems that have demonstrated advantages in safe compliant interactions but struggle with high-speed dynamic tasks. In this work, we present SWIFT, a system for learning dynamic tasks using a soft and compliant robotic hand. Unlike previous works that rely on simulation, quasi-static actions and precise object models, the proposed system learns to spin a pen through trial-and-error using only real-world data without requiring explicit prior knowledge of the pen's physical attributes. With self-labeled trials sampled from the real world, the system discovers the set of pen grasping and spinning primitive parameters that enables a soft hand to spin a pen robustly and reliably. After 130 sampled actions per object, SWIFT achieves 100% success rate across three pens with different weights and weight distributions, demonstrating the system's generalizability and robustness to changes in object properties. The results highlight the potential for soft robotic end-effectors to perform dynamic tasks including rapid in-hand manipulation. We also demonstrate that SWIFT generalizes to spinning items with different shapes and weights such as a brush and a screwdriver which we spin with 10/10 and 5/10 success rates respectively. Videos, data, and code are available at https://soft-spin.github.io.