Запуск процесса: Обучение ловкой стратегии для биомиметической сухожильно-управляемой руки с суставами, использующими качение

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

August 4, 2023

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

cs.AI

Аннотация

Биомиметические, ловкие роботизированные руки обладают потенциалом для воспроизведения большей части задач, которые может выполнять человек, и достижения статуса универсальной платформы для манипуляций. Последние достижения в рамках обучения с подкреплением (RL) продемонстрировали впечатляющие результаты в задачах передвижения четвероногих роботов и ловкого манипулирования. В сочетании с высокопараллельными симуляциями на основе GPU, способными моделировать тысячи роботов одновременно, RL-контроллеры стали более масштабируемыми и доступными. Однако для переноса политик, обученных с помощью RL, в реальный мир необходимы обучающие фреймворки, которые генерируют политики, совместимые с физическими приводами и сенсорами, а также аппаратная платформа, которая может быть изготовлена из доступных материалов, но при этом достаточно надежна для выполнения интерактивных политик. В данной работе представлена биомиметическая сухожильно-приводная рука Faive Hand и её системная архитектура, которая использует сухожильно-приводные катящиеся контактные соединения для создания высокостепенной конструкции руки, пригодной для 3D-печати и обладающей высокой надежностью. Мы моделируем каждый элемент руки и интегрируем его в GPU-симуляционную среду для обучения политики с помощью RL, достигая нулевого переноса навыка ловкого вращения сферы в руке на физическую роботизированную руку.

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.