ソフトロボットによるダイナミックな手の中でのペン回し

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

著者: Yunchao Yao, Uksang Yoo, Jean Oh, Christopher G. Atkeson, Jeffrey Ichnowski

cs.AI

要旨

ソフトロボットシステムにおいて、安全で適応性の高い相互作用に優れる一方で高速な動的タスクに苦労する、手の中での動的な操作は依然として難しい課題です。本研究では、ソフトで適応性のあるロボットハンドを用いて動的なタスクを学習するためのシステムであるSWIFTを提案します。従来のシミュレーションや準静的なアクション、正確な物体モデルに依存する従来の研究とは異なり、提案されたシステムは、ペンを回転させることを試行錯誤することで、ペンの物理的属性の明示的な事前知識を必要とせずに、実世界のデータのみを用いて学習します。実世界からサンプリングされた自己ラベル付けされたトライアルにより、システムは、ソフトハンドがペンを堅牢かつ信頼性を持って回転させるためのペンの把持と回転の基本パラメータのセットを発見します。オブジェクトごとに130回のサンプリングされたアクションの後、SWIFTは、異なる重さと重量分布を持つ3本のペンに対して100%の成功率を達成し、システムのオブジェクトの特性の変化に対する汎用性と頑健性を示しています。その結果、ソフトロボットのエンドエフェクタが迅速な手の中での操作を含む動的なタスクを遂行する潜在能力が示されています。また、SWIFTが、ブラシやドライバーなどの異なる形状と重さのアイテムを回転させることにも汎用化され、それぞれ10/10と5/10の成功率で回転させることを示しています。ビデオ、データ、コードはhttps://soft-spin.github.io で入手可能です。

English

Dynamic in-hand manipulation remains a challenging task for soft robotic systems that have demonstrated advantages in safe compliant interactions but struggle with high-speed dynamic tasks. In this work, we present SWIFT, a system for learning dynamic tasks using a soft and compliant robotic hand. Unlike previous works that rely on simulation, quasi-static actions and precise object models, the proposed system learns to spin a pen through trial-and-error using only real-world data without requiring explicit prior knowledge of the pen's physical attributes. With self-labeled trials sampled from the real world, the system discovers the set of pen grasping and spinning primitive parameters that enables a soft hand to spin a pen robustly and reliably. After 130 sampled actions per object, SWIFT achieves 100% success rate across three pens with different weights and weight distributions, demonstrating the system's generalizability and robustness to changes in object properties. The results highlight the potential for soft robotic end-effectors to perform dynamic tasks including rapid in-hand manipulation. We also demonstrate that SWIFT generalizes to spinning items with different shapes and weights such as a brush and a screwdriver which we spin with 10/10 and 5/10 success rates respectively. Videos, data, and code are available at https://soft-spin.github.io.