Colocando a Bola para Rolar: Aprendendo uma Política Habilidosa para uma Mão Biomimética Acionada por Tendões com Articulações de Contato Rolante

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

August 4, 2023

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

cs.AI

Resumo

Mãos robóticas biomiméticas e hábeis têm o potencial de replicar grande parte das tarefas que um humano pode realizar, alcançando o status de plataforma de manipulação geral. Avanços recentes em frameworks de aprendizado por reforço (RL) têm alcançado desempenho notável em tarefas de locomoção quadrúpede e manipulação hábil. Combinados com simulações altamente paralelizadas baseadas em GPU, capazes de simular milhares de robôs em paralelo, controladores baseados em RL tornaram-se mais escaláveis e acessíveis. No entanto, para trazer políticas treinadas por RL para o mundo real, precisamos de frameworks de treinamento que gerem políticas capazes de funcionar com atuadores e sensores físicos, além de uma plataforma de hardware que possa ser fabricada com materiais acessíveis, mas robusta o suficiente para executar políticas interativas. Este trabalho apresenta a Faive Hand, uma mão biomimética acionada por tendões, e sua arquitetura de sistema, que utiliza juntas de contato rolante acionadas por tendões para alcançar um design de mão de alta liberdade (DoF) robusto e imprimível em 3D. Modelamos cada elemento da mão e o integramos em um ambiente de simulação em GPU para treinar uma política com RL, alcançando a transferência zero-shot de uma habilidade hábil de rotação de esfera na mão para a mão robótica física.

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.