Blind Precise Assembly: Proprioceptive Sim-to-Real Peg-in-Hole for Diverse Parts
作者在仿真中用强化学习训练盲装配策略,输入仅为短历史的关节位置、速度与动作;同时开源MuJoCo程序化装配生成器mjfit,使用精确凸几何保留间隙,比凸分解或MuJoCo SDF碰撞更准确且更快。 仅靠本体感知的策略在仿真中达到与腕部相机视觉策略相近的训练成功率,并在未见零件形状上泛化更好;peg插入策略零样本迁移到真机,在不同形状与尺寸的peg上取得73%成功率(173/237)。
展开解读与证据
作者在仿真中用强化学习训练盲装配策略,输入仅为短历史的关节位置、速度与动作;同时开源MuJoCo程序化装配生成器mjfit,使用精确凸几何保留间隙,比凸分解或MuJoCo SDF碰撞更准确且更快。 仅靠本体感知的策略在仿真中达到与腕部相机视觉策略相近的训练成功率,并在未见零件形状上泛化更好;peg插入策略零样本迁移到真机,在不同形状与尺寸的peg上取得73%成功率(173/237)。
为什么值得关注
作者在仿真中用强化学习训练盲装配策略,输入仅为短历史的关节位置、速度与动作;同时开源MuJoCo程序化装配生成器mjfit,使用精确凸几何保留间隙,比凸分解或MuJoCo SDF碰撞更准确且更快。
研究问题
精密装配通常依赖视觉或力/触觉传感器,但机器人关节编码器本身可作为高分辨率接触传感器;本文研究仅凭本体感知(无视觉、力矩或触觉)能否完成毫米级间隙的插孔、齿轮啮合与螺母旋入等接触密集任务。
方法原理
作者在仿真中用强化学习训练盲装配策略,输入仅为短历史的关节位置、速度与动作;同时开源MuJoCo程序化装配生成器mjfit,使用精确凸几何保留间隙,比凸分解或MuJoCo SDF碰撞更准确且更快。
结果与证据
仅靠本体感知的策略在仿真中达到与腕部相机视觉策略相近的训练成功率,并在未见零件形状上泛化更好;peg插入策略零样本迁移到真机,在不同形状与尺寸的peg上取得73%成功率(173/237)。
阅读边界
该策略为“最后一米”操作技能,假设起始时peg已与夹具接触且位于孔附近数厘米内;其行为是局部搜索,无法处理peg从夹爪滑落并远离孔位等需要全局重规划的事件。 依据本次返回的正文节选整理,未核验未返回的章节、附录或独立复现。
评论 · —
昵称自填。评论会展示给其他读者,请勿填写私人信息。
正在读取评论…