Rotazione della penna dinamica in mano con robotica morbida

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

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

cs.AI

Abstract

La manipolazione dinamica in mano rimane un compito impegnativo per i sistemi robotici morbidi che hanno dimostrato vantaggi nelle interazioni conformi e sicure ma faticano con compiti dinamici ad alta velocità. In questo lavoro, presentiamo SWIFT, un sistema per apprendere compiti dinamici utilizzando una mano robotica morbida e conforme. A differenza dei lavori precedenti che si basano sulla simulazione, azioni quasi-statiche e modelli precisi degli oggetti, il sistema proposto impara a far girare una penna attraverso tentativi ed errori utilizzando solo dati del mondo reale senza richiedere conoscenze esplicite pregresse sugli attributi fisici della penna. Con tentativi auto-etichettati campionati dal mondo reale, il sistema scopre l'insieme di parametri primitivi di presa e rotazione della penna che consente a una mano morbida di far girare una penna in modo robusto e affidabile. Dopo 130 azioni campionate per oggetto, SWIFT raggiunge un tasso di successo del 100% su tre penne con pesi e distribuzioni di peso diversi, dimostrando la generalizzabilità e la robustezza del sistema ai cambiamenti nelle proprietà degli oggetti. I risultati evidenziano il potenziale degli effettori finali robotici morbidi nel compiere compiti dinamici, inclusa la manipolazione rapida in mano. Dimostriamo inoltre che SWIFT si generalizza alla rotazione di oggetti con forme e pesi diversi come una spazzola e un cacciavite, che facciamo girare rispettivamente con tassi di successo del 10/10 e del 5/10. Video, dati e codice sono disponibili su 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.