Мягкая динамическая робототехника для вращения ручки в руке

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

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

cs.AI

Аннотация

Динамическое управление объектами в руке остается сложной задачей для мягких робототехнических систем, которые продемонстрировали преимущества в безопасном совместимом взаимодействии, но испытывают трудности с высокоскоростными динамическими задачами. В данной работе мы представляем SWIFT, систему для обучения динамическим задачам с использованием мягкой и совместимой робототехнической руки. В отличие от предыдущих работ, основанных на симуляции, квазистатических действиях и точных моделях объектов, предлагаемая система учится крутить ручку через пробу и ошибку, используя только реальные данные, не требуя явного предварительного знания физических характеристик ручки. С помощью самообучающихся проб, собранных из реального мира, система находит набор параметров примитивов захвата и вращения ручки, который позволяет мягкой руке надежно и стабильно вращать ручку. После 130 собранных действий на каждый объект SWIFT достигает 100% успешных результатов на трех ручках с разными весами и распределением веса, демонстрируя обобщаемость системы и устойчивость к изменениям свойств объектов. Результаты подчеркивают потенциал мягких робототехнических конечных элементов для выполнения динамических задач, включая быструю манипуляцию в руке. Мы также демонстрируем, что SWIFT обобщается на вращение предметов с разными формами и весами, такими как кисть и отвертка, которые мы вращаем соответственно с успехом в 10 из 10 и 5 из 10 случаев. Видео, данные и код доступны на 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.