Poniendo la Pelota en Marcha: Aprendiendo una Política Hábil para una Mano Biomimética Accionada por Tendones con Articulaciones de Contacto Rodante

Getting the Ball Rolling: Learning a Dexterous Policy for a Biomimetic Tendon-Driven Hand with Rolling Contact Joints

August 4, 2023

Autores: Yasunori Toshimitsu, Benedek Forrai, Barnabas Gavin Cangan, Ulrich Steger, Manuel Knecht, Stefan Weirich, Robert K. Katzschmann

cs.AI

Resumen

Las manos robóticas biomiméticas y diestras tienen el potencial de replicar gran parte de las tareas que un humano puede realizar, y de alcanzar el estatus de una plataforma de manipulación general. Los recientes avances en los marcos de aprendizaje por refuerzo (RL, por sus siglas en inglés) han logrado un rendimiento notable en tareas de locomoción cuadrúpeda y manipulación diestra. Combinados con simulaciones altamente paralelizadas basadas en GPU, capaces de simular miles de robots en paralelo, los controladores basados en RL se han vuelto más escalables y accesibles. Sin embargo, para llevar las políticas entrenadas con RL al mundo real, necesitamos marcos de entrenamiento que generen políticas que funcionen con actuadores y sensores físicos, así como una plataforma de hardware que pueda fabricarse con materiales accesibles y que sea lo suficientemente robusta para ejecutar políticas interactivas. Este trabajo presenta la mano Faive, biomimética y accionada por tendones, junto con su arquitectura de sistema, que utiliza articulaciones de contacto rodante accionadas por tendones para lograr un diseño de mano robusto y de alto grado de libertad (DoF) imprimible en 3D. Modelamos cada elemento de la mano y lo integramos en un entorno de simulación basado en GPU para entrenar una política con RL, logrando una transferencia inmediata (zero-shot) de una habilidad diestra de rotación de una esfera en la mano al robot físico.

English

Biomimetic, dexterous robotic hands have the potential to replicate much of the tasks that a human can do, and to achieve status as a general manipulation platform. Recent advances in reinforcement learning (RL) frameworks have achieved remarkable performance in quadrupedal locomotion and dexterous manipulation tasks. Combined with GPU-based highly parallelized simulations capable of simulating thousands of robots in parallel, RL-based controllers have become more scalable and approachable. However, in order to bring RL-trained policies to the real world, we require training frameworks that output policies that can work with physical actuators and sensors as well as a hardware platform that can be manufactured with accessible materials yet is robust enough to run interactive policies. This work introduces the biomimetic tendon-driven Faive Hand and its system architecture, which uses tendon-driven rolling contact joints to achieve a 3D printable, robust high-DoF hand design. We model each element of the hand and integrate it into a GPU simulation environment to train a policy with RL, and achieve zero-shot transfer of a dexterous in-hand sphere rotation skill to the physical robot hand.