Rimuovere i tappi con torsione utilizzando due mani

Twisting Lids Off with Two Hands

March 4, 2024

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

cs.AI

Abstract

La manipolazione di oggetti con due mani multi-dita è stata una sfida di lunga data nella robotica, attribuita alla natura ricca di contatti di molte attività di manipolazione e alla complessità intrinseca nel coordinare un sistema bimanuale ad alta dimensionalità. In questo lavoro, consideriamo il problema di svitare tappi di vari oggetti simili a bottiglie con due mani, e dimostriamo che le politiche addestrate in simulazione utilizzando l'apprendimento per rinforzo profondo possono essere trasferite efficacemente nel mondo reale. Con nuove intuizioni ingegneristiche sulla modellazione fisica, la percezione in tempo reale e la progettazione delle ricompense, la politica dimostra capacità di generalizzazione su un insieme diversificato di oggetti non visti, mostrando comportamenti dinamici e destri. I nostri risultati rappresentano una prova convincente che l'apprendimento per rinforzo profondo combinato con il trasferimento da simulazione a realtà rimane un approccio promettente per affrontare problemi di manipolazione di complessità senza precedenti.

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.