MyoDex : Un a priori généralisable pour la manipulation dextre
MyoDex: A Generalizable Prior for Dexterous Manipulation
September 6, 2023
Auteurs: Vittorio Caggiano, Sudeep Dasari, Vikash Kumar
cs.AI
Résumé
La dextérité humaine est une caractéristique marquante du contrôle moteur. Nos mains peuvent rapidement synthétiser de nouveaux comportements malgré la complexité (multi-articulaire et multi-joints, avec 23 articulations contrôlées par plus de 40 muscles) des circuits sensorimoteurs musculo-squelettiques. Dans ce travail, nous nous inspirons de la manière dont la dextérité humaine s'appuie sur une diversité d'expériences antérieures, plutôt que d'être acquise à travers une seule tâche. Motivés par cette observation, nous nous sommes engagés à développer des agents capables de s'appuyer sur leur expérience passée pour acquérir rapidement de nouveaux comportements (auparavant inaccessibles). Plus précisément, notre approche exploite l'apprentissage multitâche pour capturer implicitement des a priori comportementaux indépendants de la tâche (MyoDex) pour une dextérité humaine, en utilisant un modèle de main humaine physiologiquement réaliste - MyoHand. Nous démontrons l'efficacité de MyoDex dans la généralisation en peu de données ainsi que dans le transfert positif vers un large répertoire de tâches de manipulation dextre non vues. Les agents utilisant MyoDex peuvent résoudre environ 3 fois plus de tâches, et 4 fois plus rapidement par rapport à une base de référence par distillation. Alors que les travaux antérieurs ont synthétisé des comportements de contrôle musculo-squelettique individuels, MyoDex est le premier a priori de manipulation généralisable qui catalyse l'apprentissage du contrôle physiologique dextre à travers une grande variété de comportements riches en contacts. Nous démontrons également l'efficacité de nos paradigmes au-delà du contrôle musculo-squelettique vers l'acquisition de la dextérité dans une main Adroit à 24 degrés de liberté. Site 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