Far partire la palla: Apprendimento di una politica abile per una mano biomimetica a tendini con giunti a contatto rotolante

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

August 4, 2023

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

cs.AI

Abstract

Le mani robotiche biomimetiche e abili hanno il potenziale di replicare molte delle attività che un essere umano può svolgere, raggiungendo lo status di piattaforma di manipolazione generale. I recenti progressi nei framework di apprendimento per rinforzo (RL) hanno ottenuto prestazioni notevoli nei compiti di locomozione quadrupede e manipolazione abile. Combinati con simulazioni altamente parallelizzate basate su GPU, in grado di simulare migliaia di robot in parallelo, i controller basati su RL sono diventati più scalabili e accessibili. Tuttavia, per portare le politiche addestrate con RL nel mondo reale, sono necessari framework di addestramento che producano politiche in grado di funzionare con attuatori e sensori fisici, nonché una piattaforma hardware che possa essere realizzata con materiali accessibili ma abbastanza robusta da eseguire politiche interattive. Questo lavoro introduce la Faive Hand, una mano biomimetica azionata da tendini, e la sua architettura di sistema, che utilizza giunti a contatto rotolante azionati da tendini per ottenere un design di mano ad alto grado di libertà (DoF) robusto e stampabile in 3D. Modelliamo ogni elemento della mano e lo integriamo in un ambiente di simulazione GPU per addestrare una politica con RL, ottenendo un trasferimento zero-shot di un'abilità di rotazione sferica in mano al robot fisico.

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.