우리는 최소한의 데이터로 능숙한 잡기를 학습하기 위한 효율적인 접근 방법을 소개하며, 이는 다양한 로봇 손의 로봇 조작 능력을 향상시킵니다. 각 로봇 손에 대해 수백만 개의 잡기 라벨을 요구하는 전통적인 방법과 달리, 우리의 방법은 40개의 훈련 물체에서 수백 번의 잡기 시도로 인간 수준의 학습 효율성으로 높은 성능을 달성합니다. 이 접근 방식은 잡기 과정을 두 단계로 나눕니다: 첫째, 보편적인 모델이 특정 로봇 손과 무관하게 장면 기하학을 중간 접촉 중심의 잡기 표현으로 매핑합니다. 다음으로, 각 로봇 손에 대해 현실 세계의 시행착오를 통해 고유한 잡기 결정 모델이 훈련되어 이러한 표현을 최종 잡기 자세로 변환합니다. 우리의 결과는 150개 이상의 새로운 물체가 있는 현실 세계의 복잡한 환경에서 세 가지 서로 다른 로봇 손에 대해 75-95%의 잡기 성공률을 보여주며, 훈련 물체를 늘리면서 80-98%로 개선되었습니다. 이 적응 가능한 방법은 휴머노이드 로봇, 의수 및 강력하고 다재다능한 로봇 조작이 필요한 기타 분야에 유망한 응용 프로그램을 보여줍니다.
Fang et al. (Sat,) 이 질문을 연구했습니다.