De Bal Aan Het Rollen: Het Leren van een Behendig Beleid voor een Biomimetische Pees-aangedreven Hand Met Rollende Contactgewrichten

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

August 4, 2023

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

cs.AI

Samenvatting

Biomimetische, behendige robotarmen hebben het potentieel om veel van de taken die een mens kan uitvoeren na te bootsen en de status te bereiken van een algemeen manipulatief platform. Recente vooruitgang in reinforcement learning (RL)-frameworks heeft opmerkelijke prestaties bereikt bij viervoetige voortbeweging en behendige manipulatietaken. In combinatie met GPU-gebaseerde, sterk geparallelleerde simulaties die duizenden robots parallel kunnen simuleren, zijn RL-gebaseerde controllers schaalbaarder en toegankelijker geworden. Om echter RL-getrainde beleidsregels naar de echte wereld te brengen, hebben we trainingsframeworks nodig die beleidsregels opleveren die kunnen werken met fysieke actuatoren en sensoren, evenals een hardwareplatform dat kan worden vervaardigd met toegankelijke materialen en toch robuust genoeg is om interactieve beleidsregels uit te voeren. Dit werk introduceert de biomimetische peesgestuurde Faive Hand en zijn systeemarchitectuur, die peesgestuurde rollende contactgewrichten gebruikt om een 3D-printbaar, robuust hoog-DoF handontwerp te realiseren. We modelleren elk element van de hand en integreren het in een GPU-simulatieomgeving om een beleidsregel met RL te trainen, en bereiken een zero-shot overdracht van een behendige vaardigheid voor het roteren van een bol in de hand naar de fysieke robothand.

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.