Dopjes losdraaien met twee handen

Twisting Lids Off with Two Hands

March 4, 2024

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

cs.AI

Samenvatting

Het manipuleren van objecten met twee multi-vingerige handen is een langdurige uitdaging geweest in de robotica, wat wordt toegeschreven aan het contactrijke karakter van veel manipulatietaken en de complexiteit die inherent is aan het coördineren van een hoogdimensionaal bimanueel systeem. In dit werk beschouwen we het probleem van het draaien van deksels van verschillende flesachtige objecten met twee handen, en tonen we aan dat beleidsregels die in simulatie zijn getraind met behulp van diepgaande reinforcement learning effectief kunnen worden overgedragen naar de echte wereld. Met nieuwe technische inzichten in fysieke modellering, real-time perceptie en beloningsontwerp toont het beleid generalisatievermogen over een diverse set van onbekende objecten, waarbij dynamisch en behendig gedrag wordt getoond. Onze bevindingen dienen als overtuigend bewijs dat diepgaande reinforcement learning gecombineerd met sim-to-real transfer een veelbelovende aanpak blijft voor het aanpakken van manipulatietaken van ongekende complexiteit.

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.