Rotation de stylo en main dynamique avec robotique souple

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

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

cs.AI

Résumé

La manipulation dynamique en main reste une tâche complexe pour les systèmes robotiques souples qui ont démontré des avantages dans les interactions sûres et flexibles, mais qui rencontrent des difficultés avec les tâches dynamiques à haute vitesse. Dans ce travail, nous présentons SWIFT, un système pour apprendre des tâches dynamiques en utilisant une main robotique souple et flexible. Contrairement aux travaux précédents qui reposent sur la simulation, des actions quasi-statiques et des modèles d'objets précis, le système proposé apprend à faire tourner un stylo par essais et erreurs en n'utilisant que des données du monde réel, sans nécessiter de connaissance préalable explicite des attributs physiques du stylo. Avec des essais auto-étiquetés échantillonnés du monde réel, le système découvre l'ensemble des paramètres primitifs de préhension et de rotation du stylo qui permet à une main souple de faire tourner un stylo de manière robuste et fiable. Après 130 actions échantillonnées par objet, SWIFT atteint un taux de réussite de 100% sur trois stylos de poids et de distributions de poids différents, démontrant la généralisabilité du système et sa robustesse face aux changements dans les propriétés de l'objet. Les résultats soulignent le potentiel des effecteurs terminaux robotiques souples à effectuer des tâches dynamiques, y compris la manipulation rapide en main. Nous démontrons également que SWIFT se généralise à la rotation d'objets de formes et de poids différents tels qu'une brosse et un tournevis que nous faisons tourner avec des taux de réussite de 10/10 et 5/10 respectivement. Des vidéos, des données et du code sont disponibles sur https://soft-spin.github.io.

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.