文献

J-GLOBAL ID：202202276500895505   整理番号：22A1030266

二重アーム組立を集中するための学習【JST・京大機械翻訳】

Learning to Centralize Dual-Arm Assembly

著者 (2件)： Alles Marvin (Technical University of Munich, Munich, Germany) ,  Aljalbout Elie (Technical University of Munich, Munich, Germany)
資料名： Frontiers in Robotics and AI (Web)  (Frontiers in Robotics and AI (Web))
巻： 9  ページ： 830007  発行年： 2022年 
JST資料番号： U7099A  ISSN： 2296-9144  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： 相互作用 ,  *学習 ,  不確実性 ,  ロボット ,  マニピュレータ ,  モデリング ,  録画装置 ,  *アーム ,  計算機アーキテクチャ ,  生産工程 ,  ロバスト性 ,  強化学習
準シソーラス用語： マニピュレーション ,  アームロボット ,  ロボットマニピュレータ , 【Automatic Indexing@JST】

著者キーワード (7件)： 二重アーム操作 ,  強化学習 ,  sim-to-real転送 ,  ロボット工学 ,  組立 ,  集中制御 ,  ペグインホール

分類 (1件)： ロボットの運動・制御  (IC04012J)

引用文献 (43件)：

• AgarapA. F. (2018). Deep Learning Using Rectified Linear Units (Relu). ArXiv abs/1803.08375.
• AndrychowiczM., WolskiF., RayA., SchneiderJ., FongR., WelinderP., et al (2017). Hindsight Experience Replay. CoRR abs/1707.01495.
• Beltran-HernandezC. C., PetitD., Ramirez-AlpizarI. G., HaradaK. (2020). Variable Compliance Control for Robotic Peg-In-Hole Assembly: A Deep Reinforcement Learning Approach. CoRR abs/2008.10224. doi: 10.3390/app10196923
• BeyretB., ShaftiA., FaisalA. A. (2019). “"Dot-to-dot: Explainable Hierarchical Reinforcement Learning for Robotic Manipulation,"” in 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (IEEE), 5014-5019. doi: 10.1109/iros40897.2019.8968488
• BischoffB., Nguyen-TuongD., LeeI., StreichertF., KnollA. (2013). “"Hierarchical Reinforcement Learning for Robot Navigation,"” in Proceedings of The European Symposium on Artificial Neural Networks, Computational Intelligence And Machine Learning (ESANN 2013). doi: 10.1109/iros40897.2019.8968488

タイトルに関連する用語 (2件)： 組立 ,  学習