Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 연구는 다지절 손을 이용한 물체 자세 도달(in-hand object pose reaching)의 민첩성과 안전성 확보를 목표로 합니다. 시뮬레이션에서 훈련된 정책은 실제 로봇에 제로샷으로 전이되며, 추가된 학습된 안전 필터가 성능 저하 없이 물체 낙하 위험을 크게 줄이는 것을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다지절 손을 이용한 민첩한 조작술은 로봇 공학의 다음 영역이지만, 학습된 손 기술은 물체를 회전시키는 것과 같은 단순 파지(grasp)나 기본적인 반복 동작에 국한되어 있습니다. 로봇이 더 까다로운 인핸드 기동을 시도함에 따라, 물체를 떨어뜨리지 않는 것과 같은 안전성 확보가 매우 중요해졌지만, 이는 거의 측정되지 않습니다. 우리는 다양한하고 어려운 파지를 요구하는 작업인 인핸드 물체 자세 도달(in-hand object pose reaching)을 연구합니다. 이 작업은 긴 연속 목표 시퀀스를 통해 모든 손가락이 닿는 범위 내의 거의 모든 위치와 방향으로 물체를 이동시키고, 임의의 손목 방향에서 수행할 것을 요구합니다.
우리는 다양한 리셋(reset) 및 생성된 파지 데이터셋을 통한 목표 설정부터 적응형 마찰 커리큘럼에 이르기까지 광범위한 통찰력을 바탕으로 LEAP hand를 시뮬레이션 환경에서 인간의 데이터를 사용하지 않고 이러한 정책을 훈련하는 방법을 제시합니다. 신중한 시스템 식별(system identification)을 통해, 이 정책들은 모션 캡처(motion capture) 또는 단일 손목 장착 깊이 카메라 중 하나를 사용하여 실제 손에 제로샷(zero-shot)으로 전이되며 놀라울 정도로 유능하고 견고함을 입증합니다. 작업 정책 위에, 우리는 조정 가능한 보수성(conservativeness)을 가진 학습된 잔여 안전 필터(learned residual safety filter)를 추가하여 성능과 안전성 사이의 균형을 조절할 수 있게 했으며 물체 낙하를 크게 줄였습니다.
4가지 물체와 다양한 손목 방향에 걸쳐 4,800개의 보지 못한 목표에 대한 13.3시간 동안의 실제 로봇 평가에서, 상태 기반 정책은 2 cm 및 0.4 rad 이내에서 95.2%의 목표에 도달했으며, 필터는 여전히 91.5%의 목표에 도달하면서도 낙하를 75% 줄였습니다. 또한 이 정책들은 임의의 자세로 잡힌 전구를 회전시키고, 분포 외(out-of-distribution) 목표에 도달하며, 빠른 팔 움직임과 교란을 견딜 수 있으며, 손목 카메라만 필요로 하는 전구 나사 조이기와 같은 휴대용 기술로 활용될 수 있습니다. 우리는 이 전체 방법을 고차원 민첩 시스템에서 성능, 신뢰성 및 안전성을 연구하기 위한 플랫폼으로 공개합니다. 비디오 및 더 많은 자료는 https://ian-chuang.github.io/dexsafe/ 에서 확인할 수 있습니다.