Rotação de Caneta Dinâmica em Mão Robótica Flexível

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

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

cs.AI

Resumo

A manipulação dinâmica na mão continua sendo uma tarefa desafiadora para sistemas robóticos flexíveis que demonstraram vantagens em interações seguras e complacentes, mas enfrentam dificuldades em tarefas dinâmicas de alta velocidade. Neste trabalho, apresentamos o SWIFT, um sistema para aprendizado de tarefas dinâmicas usando uma mão robótica flexível e complacente. Ao contrário de trabalhos anteriores que dependem de simulação, ações quase estáticas e modelos precisos de objetos, o sistema proposto aprende a girar uma caneta por tentativa e erro usando apenas dados do mundo real, sem exigir conhecimento prévio explícito dos atributos físicos da caneta. Com tentativas autoetiquetadas amostradas do mundo real, o sistema descobre o conjunto de parâmetros primitivos de agarre e rotação de caneta que permite a uma mão flexível girar uma caneta de forma robusta e confiável. Após 130 ações amostradas por objeto, o SWIFT atinge uma taxa de sucesso de 100% em três canetas com pesos e distribuições de peso diferentes, demonstrando a generalização e robustez do sistema a mudanças nas propriedades do objeto. Os resultados destacam o potencial dos efetuadores finais robóticos flexíveis para realizar tarefas dinâmicas, incluindo manipulação rápida na mão. Também demonstramos que o SWIFT generaliza para girar itens com diferentes formas e pesos, como um pincel e uma chave de fenda, que giramos com taxas de sucesso de 10/10 e 5/10, respectivamente. Vídeos, dados e código estão disponíveis em https://soft-spin.github.io.

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.