Dévisser les couvercles à deux mains

Twisting Lids Off with Two Hands

March 4, 2024

Auteurs: Toru Lin, Zhao-Heng Yin, Haozhi Qi, Pieter Abbeel, Jitendra Malik

cs.AI

Résumé

La manipulation d'objets avec deux mains multifonctionnelles constitue un défi de longue date en robotique, en raison de la nature riche en contacts de nombreuses tâches de manipulation et de la complexité inhérente à la coordination d'un système bimanuel à haute dimensionnalité. Dans ce travail, nous abordons le problème du vissage de bouchons sur divers objets de type bouteille à l'aide de deux mains, et démontrons que des politiques entraînées en simulation par apprentissage par renforcement profond peuvent être transférées efficacement au monde réel. Grâce à des idées novatrices en matière de modélisation physique, de perception en temps réel et de conception de récompenses, la politique démontre des capacités de généralisation sur un ensemble varié d'objets non vus, mettant en évidence des comportements dynamiques et habiles. Nos résultats constituent une preuve convaincante que l'apprentissage par renforcement profond combiné au transfert sim-to-real reste une approche prometteuse pour résoudre des problèmes de manipulation d'une complexité sans précédent.

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.