[论文解读] Learning and Generalisation of Primitives Skills Towards Robust Dual-arm Manipulation

Èric Pairet, Paola Ardón+3 more|arXiv (Cornell University)|Apr 2, 2019

Robot Manipulation and Learning参考文献 22被引用 10

一句话总结

本文提出了一种基于人类模仿的实时、鲁棒双臂操作框架，通过学习基本技能实现。借助演示学习（LfD），系统获取并组合各项技能（如抓握保持和避障），使iCub机器人能够成功执行带有意外障碍物的抓取与放置任务，展示了在动态环境中具备泛化与适应能力。

ABSTRACT

Robots are becoming a vital ingredient in society. Some of their daily tasks require dual-arm manipulation skills in the rapidly changing, dynamic and unpredictable real-world environments where they have to operate. Given the expertise of humans in conducting these activities, it is natural to study humans' motions to use the resulting knowledge in robotic control. With this in mind, this work leverages human knowledge to formulate a more general, real-time, and less task-specific framework for dual-arm manipulation. The proposed framework is evaluated on the iCub humanoid robot and several synthetic experiments, by conducting a dual-arm pick-and-place task of a parcel in the presence of unexpected obstacles. Results suggest the suitability of the method towards robust and generalisable dual-arm manipulation.

研究动机与目标

• 开发一种通用、实时且任务依赖性较低的双臂操作框架，以减少对专家编程的依赖。
• 使机器人能够从人类示范中泛化，以应对动态、不可预测环境中的意外障碍物。
• 构建可重用的基本技能库（如抓握保持、避障），可组合用于复杂任务。
• 通过模仿人类灵巧性和适应性，提升机器人自主性与人机兼容性。
• 实现实时反应式轨迹重规划，利用学习到的技能增强在新场景下的鲁棒性。

提出的方法

• 利用演示学习（LfD）从人类执行双臂任务的示范中提取运动基元。
• 采用动态运动基模（DMP）框架来表示并泛化各项技能，如抓握保持和避障。
• 应用对称控制律（公式14）以保持抓握稳定性：$\mathbf{\dot{x}}_{C_{i}} = \mathbf{K}(\mathbf{D}_{d_{i}} - \mathbf{D}_{r_{i}})$，其中$\mathbf{D}_{d_{i}}$为从物体坐标系到接触点的期望距离。
• 基于YARP机器人平台构建实时、反应式控制架构，以部署和协调多个基本技能。
• 在运行时组合多个学习到的基元（如轨迹规划、避障），以实现在新场景中的自适应行为。
• 使用修改后的iCub仿真平台，通过改进抓握保持机制来补偿缺乏仿真力传感器的问题，确保稳定的物体抓持。

实验结果

研究问题

• RQ1 机器人能否从人类示范中学习并泛化双臂操作技能，从而实现实时适应新型、意外障碍物？
• RQ2 如何在不重新编程的前提下，运行时组合基本技能，以实现在动态环境中稳健、反应式的操作行为？
• RQ3 机器人在受到扰动时，其行为在多大程度上能模拟人类在双臂任务中的灵巧性与协调性？
• RQ4 学习到的基元模块化库在多任务、多物体场景下，能否支持可扩展且可重用的操作能力？
• RQ5 当执行过程中引入障碍物时，该框架在保持抓握稳定性和轨迹精度方面的有效性如何？

主要发现

• iCub机器人在存在意外障碍物的情况下，成功完成了双臂抓取与放置任务，展示了实时重规划与鲁棒性。
• 通过对称控制律（公式14）实现的抓握保持基元，确保了稳定抓持，未发生物体脱落或过度应力。
• 系统在运动过程中实现了双末端执行器的精确同步，全程保持了物体稳定。
• 该框架在无障碍物和遭遇障碍物的场景下均成功执行了任务，凸显其适应能力。
• 结果表明具有较强的泛化潜力，机器人仅通过三个学习到的基本技能即适应了新环境。
• 作者指出，未来工作将聚焦于在真实iCub机器人上验证该框架，采用依赖力的基元，表明当前结果基于仿真但前景可期。