[論文レビュー] ALOHA 2: An Enhanced Low-Cost Hardware for Bimanual Teleoperation

ALOHA Team, Jorge Aldaco+24 more|arXiv (Cornell University)|Feb 7, 2024

Teleoperation and Haptic Systems被引用数 8

ひとこと要約

ALOHA 2 は、低コストのバイマンアルテレ操作システムを、改善されたグリッパ、重力補償、フレーム、カメラ、そして MuJoCo のシミュレーションモデルで強化します。これにより、微細な操作タスクのための大規模なデータ収集が可能になります。

ABSTRACT

Diverse demonstration datasets have powered significant advances in robot learning, but the dexterity and scale of such data can be limited by the hardware cost, the hardware robustness, and the ease of teleoperation. We introduce ALOHA 2, an enhanced version of ALOHA that has greater performance, ergonomics, and robustness compared to the original design. To accelerate research in large-scale bimanual manipulation, we open source all hardware designs of ALOHA 2 with a detailed tutorial, together with a MuJoCo model of ALOHA 2 with system identification. See the project website at aloha-2.github.io.

研究の動機と目的

• バイマニュアル テレオペレーションシステムの性能とタスク範囲を拡大する。
• 大規模なデータ収集のために、ユーザーのエルゴノミクスを改善し、オペレータの疲労を低減する。
• 研究環境でのロボット群を支えるための頑健性と保守性を向上させる。
• 研究を加速させるために、オープンソースのハードウェア設計と詳細なシミュレーションモデルを提供する。

提案手法

• リーダーグリッパを低摩擦リニアレール設計と低摩擦モーターに置換し、開口力を低減してエルゴノミクスを向上させる。
• フォロワーグリッパを低摩擦・高力の指先にアップグレードし、3Dプリントカーボンファイバーナイロンとポリウレタングリップテープを使用。
• 市販部品を用いた受動的重力補償システムを実装し、オペレータの負荷を軽減する。
• データ収集と共同作業のための空間を確保するため、フレームを再設計して構造を簡素化する。
• フットプリントを削減し視野を拡大するため、カスタムマウントを用いた4台の Intel RealSense D405 カメラを採用する。
• 精度の高いシミュレーションベースの学習を可能にするため、システム同定を備えた ALOHA 2 の MuJoCo Menagerie モデルを提供する。

Figure 1: ALOHA 2: An Enhanced Low-Cost Hardware for Bimanual Teleoperation. Top: The fleet of ALOHA 2 robots capable of collecting 1000s of demonstrations per day. Bottom: A detailed image of an ALOHA 2 workcell with gravity compensation, the redesigned leader and follower grippers, and images from

実験結果

リサーチクエスチョン

• RQ1 グリッパ、重力補償、フレーミング、センサリングのハードウェア改善は、テレオペレーションの性能とタスクの多様性を高められるか？
• RQ2 受動的重力補償は、アクティブなソフトウェアベースのアプローチと比べて、テレオペレーションの性能と安全性を向上させるか？
• RQ3 ハードウェアのオープンソース化と正確なシミュレーションモデルの提供は、操作タスクにおける大規模データ収集とポリシー学習にどのような影響を与えるか？

主な発見

• リーダーグリッパは低摩擦リニアレール設計を使用しており、前設計より開く力が約10倍低減（0.84 N）、フォロー先端の閉止力はより大きくなっています（27.9 N 対 12.8 N）。
• フォロワーグリッパは旧設計の約2倍の把持力を達成し、低摩擦による遅延の低減を示します。
• 6名のユーザーを対象としたタスク研究で、受動的重力補償はアクティブな逆ダイナミクス法を上回り、1分あたり挿入形状が平均0.97から1.38へ向上し、ソフトウェア故障時の安全な動作を提供しました。
• フレームの再設計は人間-ロボット協働と小道具のスペースを確保しつつ、カメラ取り付けの剛性を維持します。
• カスタムマウントを用いた小型で視野角の大きい RealSense D405 カメラはフットプリントと衝突状態を減らし、より多様な操作を可能にします。
• システム同定を備えた MuJoCo ベースのシミュレーションモデルは、ポリシー学習のための高忠実度シミュレーションデータ収集を可能にします。

Figure 2: Renderings of leader and follower gripper designs. Left: follower gripper with Intel RealSense D405, custom 3d-printed camera mount, and low friction follower rail design. Right: leader gripper with swappable finger mounts and low friction leader rail design.