Dynamisch in-hand pennen draaien met zachte robotica

Soft Robotic Dynamic In-Hand Pen Spinning

November 19, 2024

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

cs.AI

Samenvatting

Dynamische manipulatie in de hand blijft een uitdagende taak voor zachte robotische systemen die voordelen hebben aangetoond in veilige interacties met compliantie, maar moeite hebben met dynamische taken op hoge snelheid. In dit werk presenteren we SWIFT, een systeem voor het leren van dynamische taken met behulp van een zachte en compliant robotische hand. In tegenstelling tot eerdere werken die vertrouwen op simulatie, quasi-statische acties en precieze objectmodellen, leert het voorgestelde systeem om een pen te laten draaien door middel van trial-and-error met alleen echte gegevens, zonder expliciete voorkennis van de fysieke eigenschappen van de pen. Met zelfgelabelde trials afkomstig uit de echte wereld ontdekt het systeem de set van pen grijp- en draaiparameters die een zachte hand in staat stellen om een pen robuust en betrouwbaar te laten draaien. Na 130 bemonsterde acties per object behaalt SWIFT een succespercentage van 100% over drie pennen met verschillende gewichten en gewichtsverdelingen, wat de generaliseerbaarheid en robuustheid van het systeem aantoont ten opzichte van veranderingen in objecteigenschappen. De resultaten benadrukken het potentieel voor zachte robotische eindeffectoren om dynamische taken uit te voeren, waaronder snelle manipulatie in de hand. We tonen ook aan dat SWIFT generaliseert naar het laten draaien van items met verschillende vormen en gewichten, zoals een borstel en een schroevendraaier, waarbij we respectievelijk een succespercentage behalen van 10/10 en 5/10. Video's, gegevens en code zijn beschikbaar op 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.