利用本体感知变换器从关节传感器学习鲁棒的灵巧手内操作

Learning Robust Dexterous In-Hand Manipulation from Joint Sensors with Proprioceptive Transformer

手内物体操作是灵巧机器人一项基础但具有挑战性的能力。尽管灵巧操作取得了显著进展，现有方法严重依赖视觉或触觉感知来跟踪物体状态，而关节感知——所有机械手上最容易获得的感知模式——在很大程度上被忽视，尤其在腱驱动手中。本文通过提出以下问题来探究仅凭关节感知能走多远：(i) 电机编码器还是直接关节感知能提供更好的本体感觉反馈，(ii) 如何从关节测量中提取环境信息，(iii) 仅依赖关节控制的策略能否在没有外部感知的情况下实现具有竞争力的实际性能。我们提出了本体感知Transformer（PT），一种在腱驱动灵巧手上实现连续立方体旋转的无外部感知方法，仅使用关节感知反馈。首先通过带特权物体信息的强化学习训练教师策略，然后将其蒸馏到仅依赖关节位置和速度历史记录的PT中。Transformer架构有效地从关节传感器读数的时序模式中提取隐式物体状态信息。在真实ORCA手上的实验表明，我们的方法旋转速度比基线快3.1倍。我们还证明，PT在立方体位置估计上的均方根误差比MLP基线低23.4%，表明从本体感知源中提取外部感知信息的能力更强。