論文の概要: A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot
Manipulation
- arxiv url: http://arxiv.org/abs/2207.13438v1
- Date: Wed, 27 Jul 2022 10:35:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:45:44.385792
- Title: A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot
Manipulation
- Title(参考訳): コンタクトリッチロボットマニピュレーションのためのコンタクトセーフ強化学習フレームワーク
- Authors: Xiang Zhu, Shucheng Kang and Jianyu Chen
- Abstract要約: 本稿では,コンタクトリッチロボット操作のためのコンタクトセーフ強化学習フレームワークを提案する。
RLポリシーがロボットアームと環境の予期せぬ衝突を引き起こすと、我々のフレームワークはすぐに衝突を検出し、接触力を小さくすることができる。
本手法は, 予期せぬ衝突のシナリオ下であっても, タスク空間とジョイント空間の両方で接触力を小さく抑えることができる。
- 参考スコア(独自算出の注目度): 5.0768619194124005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reinforcement learning shows great potential to solve complex contact-rich
robot manipulation tasks. However, the safety of using RL in the real world is
a crucial problem, since unexpected dangerous collisions might happen when the
RL policy is imperfect during training or in unseen scenarios. In this paper,
we propose a contact-safe reinforcement learning framework for contact-rich
robot manipulation, which maintains safety in both the task space and joint
space. When the RL policy causes unexpected collisions between the robot arm
and the environment, our framework is able to immediately detect the collision
and ensure the contact force to be small. Furthermore, the end-effector is
enforced to perform contact-rich tasks compliantly, while keeping robust to
external disturbances. We train the RL policy in simulation and transfer it to
the real robot. Real world experiments on robot wiping tasks show that our
method is able to keep the contact force small both in task space and joint
space even when the policy is under unseen scenario with unexpected collision,
while rejecting the disturbances on the main task.
- Abstract(参考訳): 強化学習は、複雑な接触に富むロボット操作タスクを解決する大きな可能性を示している。
しかし、トレーニング中や目に見えないシナリオでRLポリシーが不完全であった場合、予期せぬ危険な衝突が起こる可能性があるため、現実世界でのRLの使用の安全性は重大な問題である。
本稿では,タスク空間と関節空間の両方の安全性を維持する,コンタクトリッチロボット操作のためのコンタクトセーフ強化学習フレームワークを提案する。
rlポリシーがロボットアームと環境との予期せぬ衝突を引き起こすと、枠組みは即座に衝突を検出し、接触力の小さいことを保証することができる。
さらに、エンドエフェクタは、外部の障害に頑健なまま、コンタクトリッチなタスクを順に実行するように強制される。
我々はシミュレーションでRLポリシーを訓練し、それを実際のロボットに転送する。
ロボットワイピングタスクの現実的な実験は,本手法が主タスクの乱れを拒絶しながら,予期せぬ衝突のシナリオ下であっても,タスク空間と関節空間の両方で接触力を小さく抑えることができることを示している。
関連論文リスト
- RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳(メタデータ) (2024-05-07T23:32:36Z) - Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。
我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
論文 参考訳(メタデータ) (2023-08-30T17:59:05Z) - Safety Correction from Baseline: Towards the Risk-aware Policy in
Robotics via Dual-agent Reinforcement Learning [64.11013095004786]
本稿では,ベースラインと安全エージェントからなる二重エージェント型安全強化学習戦略を提案する。
このような分離されたフレームワークは、RLベースの制御に対して高い柔軟性、データ効率、リスク認識を可能にする。
提案手法は,難易度の高いロボットの移動・操作作業において,最先端の安全RLアルゴリズムより優れる。
論文 参考訳(メタデータ) (2022-12-14T03:11:25Z) - Safe reinforcement learning of dynamic high-dimensional robotic tasks:
navigation, manipulation, interaction [31.553783147007177]
強化学習では、損傷を起こさない環境を探索する上で、安全はより基本的なものである。
本稿では,各種ロボット作業の強化学習のための安全探索の新たな定式化について紹介する。
我々のアプローチは、幅広い種類のロボットプラットフォームに適用され、データから学んだ複雑な衝突制約の下でも安全を強制する。
論文 参考訳(メタデータ) (2022-09-27T11:23:49Z) - Protective Policy Transfer [37.897395735552706]
ロボットモーターのスキルを新しいシナリオに適応するためのポリシー転送アルゴリズムを紹介します。
アルゴリズムは2つの制御ポリシーを訓練する: 関心のあるタスクを完了するために最適化されたタスクポリシーと、ロボットを安全でないイベントから守るための保護ポリシーです。
本研究では,4つのロボット移動問題と2次元ナビゲーション問題に対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-12-11T22:10:54Z) - COCOI: Contact-aware Online Context Inference for Generalizable
Non-planar Pushing [87.7257446869134]
一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。
深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。
動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
論文 参考訳(メタデータ) (2020-11-23T08:20:21Z) - Uncertainty-aware Contact-safe Model-based Reinforcement Learning [17.10030262602653]
本稿では, 接触安全行動を実現するロボットアプリケーションのための, 接触安全モデルベース強化学習(MBRL)を提案する。
確率的モデル予測制御(pMPC)制御限界とモデル不確かさを関連付け,学習の進捗に応じて制御行動の許容加速度を調整する。
論文 参考訳(メタデータ) (2020-10-16T05:11:25Z) - Deep Reinforcement Learning for Contact-Rich Skills Using Compliant
Movement Primitives [0.0]
産業用ロボットのさらなる統合は、柔軟性、適応性、意思決定スキルの制限によって妨げられている。
収束と一般化を容易にする異なるプルーニング手法を提案する。
提案手法は,空間,サイズ,形状,および密接に関連するシナリオに不変な挿入スキルを学習できることを実証する。
論文 参考訳(メタデータ) (2020-08-30T17:29:43Z) - Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。
本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-05-29T05:58:54Z) - Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。
エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文 参考訳(メタデータ) (2020-04-29T18:00:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。