Manipulación robótica precisa y hábil mediante el aprendizaje de refuerzo humano en el bucle

Área de la Ciencia:

• La robótica
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• La manipulación robótica enfrenta desafíos con los métodos tradicionales que requieren un diseño manual extenso y la recopilación de datos.
• Las limitaciones en la fiabilidad, velocidad y robustez dificultan el despliegue en el mundo real de las técnicas actuales de manipulación robótica.
• El aprendizaje por refuerzo (RL) ofrece la adquisición de habilidades autónomas, pero lucha con la eficiencia y la seguridad de la muestra en aplicaciones del mundo real.

Objetivo del estudio:

• Desarrollar un sistema de aprendizaje por refuerzo basado en la visión para la manipulación robótica hábil.
• Superar las limitaciones de los métodos existentes permitiendo la adquisición autónoma de habilidades con una mayor eficiencia y seguridad de las muestras.
• Demostrar la capacidad del sistema en una amplia gama de tareas de manipulación complejas en condiciones industriales realistas.

Principales métodos:

• Integración de demostraciones y correcciones en humanos con algoritmos RL eficientes para muestras.
• Aprendizaje directo de las políticas de RL en el mundo real utilizando un sistema basado en la visión.
• Diseño a nivel de sistema que incluye montaje preciso, manipulación dinámica y tareas de coordinación de doble brazo.

Principales resultados:

• Logró un gran rendimiento en varias tareas de manipulación hábil, incluido el ensamblaje preciso y la coordinación de dos brazos.
• Superó a los métodos de referencia en 2x en el éxito de la tarea y ejecutó tareas 1.8x más rápido en promedio.
• Se han demostrado tasas de éxito casi perfectas en 1 a 2,5 horas de entrenamiento en el mundo real.

Conclusiones:

• El aprendizaje por refuerzo (RL) puede aprender efectivamente políticas complejas de manipulación robótica basadas en la visión directamente en el mundo real dentro de los tiempos de capacitación práctica.
• El enfoque humano en el bucle mejora significativamente la eficiencia y el rendimiento de la muestra para la manipulación robótica en el mundo real.
• Este trabajo allana el camino para técnicas avanzadas de manipulación robótica aprendidas en aplicaciones industriales e investigaciones.