MyoDex: Un Prior Generalizable para la Manipulación Diestra

MyoDex: A Generalizable Prior for Dexterous Manipulation

September 6, 2023

Autores: Vittorio Caggiano, Sudeep Dasari, Vikash Kumar

cs.AI

Resumen

La destreza humana es un sello distintivo del control motor. Nuestras manos pueden sintetizar rápidamente nuevos comportamientos a pesar de la complejidad (multiarticular y con múltiples articulaciones, con 23 articulaciones controladas por más de 40 músculos) de los circuitos sensoriomotores musculoesqueléticos. En este trabajo, nos inspiramos en cómo la destreza humana se basa en una diversidad de experiencias previas, en lugar de adquirirse a través de una única tarea. Motivados por esta observación, nos propusimos desarrollar agentes que puedan aprovechar su experiencia previa para adquirir rápidamente nuevos comportamientos (anteriormente inalcanzables). Específicamente, nuestro enfoque aprovecha el aprendizaje multitarea para capturar implícitamente priors comportamentales independientes de la tarea (MyoDex) para una destreza similar a la humana, utilizando un modelo de mano humana fisiológicamente realista: MyoHand. Demostramos la efectividad de MyoDex en la generalización con pocos ejemplos, así como en la transferencia positiva a un amplio repertorio de tareas de manipulación diestra no vistas. Los agentes que aprovechan MyoDex pueden resolver aproximadamente 3 veces más tareas y 4 veces más rápido en comparación con una línea base de destilación. Si bien trabajos previos han sintetizado comportamientos individuales de control musculoesquelético, MyoDex es el primer prior de manipulación generalizable que cataliza el aprendizaje del control fisiológico diestro en una gran variedad de comportamientos ricos en contacto. También demostramos la efectividad de nuestros paradigmas más allá del control musculoesquelético hacia la adquisición de destreza en la mano Adroit de 24 grados de libertad. Sitio web: https://sites.google.com/view/myodex

English

Human dexterity is a hallmark of motor control. Our hands can rapidly synthesize new behaviors despite the complexity (multi-articular and multi-joints, with 23 joints controlled by more than 40 muscles) of musculoskeletal sensory-motor circuits. In this work, we take inspiration from how human dexterity builds on a diversity of prior experiences, instead of being acquired through a single task. Motivated by this observation, we set out to develop agents that can build upon their previous experience to quickly acquire new (previously unattainable) behaviors. Specifically, our approach leverages multi-task learning to implicitly capture task-agnostic behavioral priors (MyoDex) for human-like dexterity, using a physiologically realistic human hand model - MyoHand. We demonstrate MyoDex's effectiveness in few-shot generalization as well as positive transfer to a large repertoire of unseen dexterous manipulation tasks. Agents leveraging MyoDex can solve approximately 3x more tasks, and 4x faster in comparison to a distillation baseline. While prior work has synthesized single musculoskeletal control behaviors, MyoDex is the first generalizable manipulation prior that catalyzes the learning of dexterous physiological control across a large variety of contact-rich behaviors. We also demonstrate the effectiveness of our paradigms beyond musculoskeletal control towards the acquisition of dexterity in 24 DoF Adroit Hand. Website: https://sites.google.com/view/myodex