Weiche robotische dynamische Stift-Drehbewegung in der Hand

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

Autoren: Yunchao Yao, Uksang Yoo, Jean Oh, Christopher G. Atkeson, Jeffrey Ichnowski

cs.AI

Zusammenfassung

Die dynamische Manipulation in der Hand bleibt eine anspruchsvolle Aufgabe für weiche Robotersysteme, die Vorteile bei sicheren, nachgiebigen Interaktionen gezeigt haben, aber Schwierigkeiten bei hochdynamischen Aufgaben haben. In dieser Arbeit präsentieren wir SWIFT, ein System zum Erlernen dynamischer Aufgaben unter Verwendung einer weichen und nachgiebigen Roboterhand. Im Gegensatz zu früheren Arbeiten, die auf Simulation, quasi-statischen Aktionen und präzisen Objektmodellen basieren, lernt das vorgeschlagene System, einen Stift durch Ausprobieren zu drehen, wobei nur reale Daten verwendet werden, ohne explizites Vorwissen über die physikalischen Eigenschaften des Stifts zu benötigen. Mit selbstbeschrifteten Versuchen, die aus der realen Welt entnommen wurden, entdeckt das System die Gruppe von Parametern für das Greifen und Drehen des Stifts, die es einer weichen Hand ermöglichen, einen Stift robust und zuverlässig zu drehen. Nach 130 ausprobierten Aktionen pro Objekt erreicht SWIFT eine Erfolgsrate von 100 % bei drei Stiften mit unterschiedlichen Gewichten und Gewichtsverteilungen, was die Generalisierbarkeit des Systems und seine Robustheit gegenüber Änderungen der Objekteigenschaften zeigt. Die Ergebnisse verdeutlichen das Potenzial von weichen robotischen Endeffektoren, dynamische Aufgaben wie schnelle Manipulationen in der Hand auszuführen. Wir zeigen auch, dass SWIFT auf das Drehen von Gegenständen mit unterschiedlichen Formen und Gewichten wie einem Pinsel und einem Schraubendreher generalisiert, wobei Erfolgsraten von 10/10 bzw. 5/10 erzielt werden. Videos, Daten und Code sind unter https://soft-spin.github.io verfügbar.

English

Dynamic in-hand manipulation remains a challenging task for soft robotic systems that have demonstrated advantages in safe compliant interactions but struggle with high-speed dynamic tasks. In this work, we present SWIFT, a system for learning dynamic tasks using a soft and compliant robotic hand. Unlike previous works that rely on simulation, quasi-static actions and precise object models, the proposed system learns to spin a pen through trial-and-error using only real-world data without requiring explicit prior knowledge of the pen's physical attributes. With self-labeled trials sampled from the real world, the system discovers the set of pen grasping and spinning primitive parameters that enables a soft hand to spin a pen robustly and reliably. After 130 sampled actions per object, SWIFT achieves 100% success rate across three pens with different weights and weight distributions, demonstrating the system's generalizability and robustness to changes in object properties. The results highlight the potential for soft robotic end-effectors to perform dynamic tasks including rapid in-hand manipulation. We also demonstrate that SWIFT generalizes to spinning items with different shapes and weights such as a brush and a screwdriver which we spin with 10/10 and 5/10 success rates respectively. Videos, data, and code are available at https://soft-spin.github.io.