抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ロボット操作におけるほとんどの成功は,単一アームロボットに制限され,それは,解決可能タスクの範囲を,ピックアップと位置,挿入,およびオブジェクト再配列に制限する。対照的に,二重およびマルチアームロボットプラットフォームは,洗濯の折りたたみや調理スキルの実行のような,取り組むことができる問題の豊富な多様性をロックする。しかしながら,マルチアームロボットのためのコントローラの開発は,協調したバイマニア行動の必要性やロボット間の衝突回避のような多数のユニークな課題によって複雑化されている。これらの課題を考えると,本研究では,シミュレーションで訓練された強化学習(RL)を用いて,実際のロボットプラットフォーム上で得られる政策が実行できるように,二人的タスクを解決する方法を研究した。著者らのRLアプローチは,リアルタイム(4Hz)関節空間制御とニューラルネットワーク政策への非フィルタリング観測を直接通過させることによる有意な単純化をもたらす。また,RL政策の効果的な訓練につながる模擬環境に対する修正を広範囲に論じた。制御アルゴリズムの設計に加えて,重要な挑戦は,高レベル知覚のような直交複雑化因子を除去しながら,二人的協調をストレスする双手ロボットのための公正な評価タスクを設計する方法であった。本研究では,2つのロボットアームをピックアップし,磁気接続点を有する2つのブロックを付着させるための接続タスクを設計した。著者らは,2つのxArm6ロボットと3D印刷ブロックを磁気アタッチメントで検証して,このシステムがブロックのピックアップで100%の成功率を持ち,接続タスクで65%の成功率を有することを見出した。【JST・京大機械翻訳】