MyoDex: Un Prior Generalizzabile per la Manipolazione Abile

MyoDex: A Generalizable Prior for Dexterous Manipulation

September 6, 2023

Autori: Vittorio Caggiano, Sudeep Dasari, Vikash Kumar

cs.AI

Abstract

La destrezza umana è un tratto distintivo del controllo motorio. Le nostre mani possono sintetizzare rapidamente nuovi comportamenti nonostante la complessità (multi-articolare e multi-giunturale, con 23 articolazioni controllate da oltre 40 muscoli) dei circuiti sensomotori muscolo-scheletrici. In questo lavoro, ci ispiriamo a come la destrezza umana si basi su una varietà di esperienze pregresse, anziché essere acquisita attraverso un singolo compito. Motivati da questa osservazione, ci siamo proposti di sviluppare agenti in grado di costruire sulle loro esperienze precedenti per acquisire rapidamente nuovi comportamenti (precedentemente irraggiungibili). Nello specifico, il nostro approccio sfrutta l'apprendimento multi-task per catturare implicitamente prior comportamentali indipendenti dal compito (MyoDex) per una destrezza simile a quella umana, utilizzando un modello realistico di mano umana - MyoHand. Dimostriamo l'efficacia di MyoDex nella generalizzazione con pochi esempi, nonché nel trasferimento positivo a un ampio repertorio di compiti di manipolazione destrutturata non visti. Gli agenti che sfruttano MyoDex possono risolvere circa 3 volte più compiti e 4 volte più velocemente rispetto a una baseline di distillazione. Mentre i lavori precedenti hanno sintetizzato singoli comportamenti di controllo muscolo-scheletrico, MyoDex è il primo prior generalizzabile per la manipolazione che catalizza l'apprendimento del controllo fisiologico destrutturato in una vasta gamma di comportamenti ricchi di contatto. Dimostriamo inoltre l'efficacia dei nostri paradigmi oltre il controllo muscolo-scheletrico, verso l'acquisizione di destrezza nella mano Adroit a 24 gradi di libertà. Sito 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