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。
ロボットマニピュレータは現代の製造プロセスで広く使用されている。しかし,非構造化環境におけるそれらの展開は未解決の問題である。実世界マニピュレーションタスクの多様性,複雑性,および不確実性を取り扱うために,環境特性に関して減少した仮定を有する柔軟なフレームワークを開発することが必須である。近年,強化学習(RL)は単一腕ロボット操作に対して大きな結果を示している。しかし,二重腕操作に焦点を当てた研究は,まだ稀である。古典的制御の観点から,そのようなタスクを解くことは,制御レベルで2つのロボット結合と同様に,タスクで遭遇する2つのマニピュレータとオブジェクト間の相互作用の複雑なモデリングをしばしば含む。代わりに,本研究では,デュアルアームアセンブリに対するモデルフリーRLの適用性を調べた。デュアルアームアセンブリに限られないが,一般的にデュアルアームマニピュレーションに制限されないアプローチに向けて貢献することを目的として,最小でモデリング努力を続けた。したがって,2つのロボットと使用された組立ツールの間の相互作用のモデリングを避けるために,単一集中学習ポリシーを用いて結合した2つの分散単一アームコントローラによるモジュール方式を提示した。スパース報酬のみを用いて最小に対するモデリング努力を低減した。このアーキテクチャは,シミュレーションから実世界への成功した組立と簡単な転送を可能にする。デュアルアームペッグインホールに対するフレームワークの有効性を実証し,異なる行動空間に対するサンプル効率と成功率を解析した。さらに,位置不確実性を扱うとき,異なるクリアランスとケース外乱回復とロバスト性に関する結果を比較した。最後に,実際の世界へのシミュレーションで訓練されたゼロショット転送政策を,それらの性能を評価するために,ゼロショット転送政策を訓練した。実験のビデオはプロジェクトウェブサイトで利用可能である。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】